13.

Distribuciones Continuas;
Ejercicios
Distribución Exponencial

Una de las distribuciones de variable continua más

importantes es la distribución exponencial Se la utiliza
como modelo para representar el tiempo de
funcionamiento o de espera.
Tiene como función expresar también el tiempo
transcurrido entre eventos que se contabilizan por medio
de la distribución de Poisson.
EJEMPLOS

El tiempo que tarda una partícula radiactiva en desintegrarse. Por

ejemplo, la datación de fósiles o cualquier materia orgánica mediante la
técnica del carbono 14.
El tiempo que puede transcurrir, en un servicio de urgencias para la
llegada de un paciente;
En un proceso de Poisson donde se repite sucesivamente un experimento
a intervalos de tiempo iguales, el tiempo que transcurre entre la
ocurrencia de dos sucesos consecutivos sigue un modelo probabilístico
exponencial. Por ejemplo, el tiempo que transcurre entre que sufrimos
dos veces una herida importante.
Se dice que una variable aleatoria continua X sigue una
distribución exponencial de parámetro λ si su función de
densidad es:

Donde λ es una constante positiva. Se nota como X~E(λ)

La función de distribución correspondiente es
Distribución exponencial Exp (λ)
f (x)  ex para x  0, 0
2.0
1.8
1.6    

 x
1.4    dx
1.2    f (x)dx  

1.0 
  
0.8

e e x 
0.6 0
0.4 1
0.2
0.0
1 2 3 4 5 6 7 8

 1
Vida media    xe dx

 Distribución exponencial Exp ()


x
 dt  { e
−e   t 𝑥
 10
x

F (x)  1 e x

, x
0

0, x0
 Relacion entre distribuciones
Exponencial y Poison
Sea X la variable que cuenta el numero de eventos que ocurren en el tiempo
(0,t), con media λt; entonces
Sea T el tiempo que transcurre hasta que sucede el primer evento
de Poisson. El rango de T es el intervalo (0,∞[ y su función de
distribución es:

Donde el evento (T>t) indica que el primer evento de Poisson

ocurre después de t, o lo que es lo mismo, que no ocurre ningún
evento en el intervalo (0,t); es decir, (T > t) = (X = 0).
PROPIEDAD FUNDAMENTAL
La distribución exponencial no tiene memoria :
Poseer información de que el elemento que consideramos ha sobrevivido
un tiempo S (hasta el momento) no modifica la probabilidad de que
sobreviva t unidades de tiempo más. La probabilidad de que el
elemento falle en una hora (o en un día, o en segundo) no depende del
tiempo que lleve funcionando. No existe envejecimiento ni mayor
probabilidad de fallos al principio del funcionamiento
 EJEMPLO
El tiempo durante el cual las baterías para un teléfono celular trabajan en forma efectiva hasta que
fallan se distribuyen según un modelo exponencial, con un tiempo promedio de falla de 500horas.
a) Calcular la probabilidad de una batería funcione por más de 600horas.
b) S i una batería ha trabajando 350 horas, ¿Cuál es la probabilidad de que trabaje más
de 300 horas adicionales.
Solución:
X = tiempo que dura la batería hasta que falla
Entonces como E(x) = 500, entonces λ=1/500 con lo que E(1/500). Por tanto su función de
distribución seria:
A.Pr(x > 600)
Pr 𝑥 > 600 = 1 − Pr 𝑥 ≤ 600

𝑃 𝑥 > 600 = 1 − 𝐹 (60)

B.- Si la batería ya trabajo 350 horas, queremos conocer la probabilidad de

que trabaje mas de 650:

Pr⁡(𝑋 > 65 0)
𝑃 ( 𝑥 > 3 5 0 + 300| 𝑥 > 3 5 0 )
= 𝑃(𝑋 > 35 0)

1 − F( 650)
𝑃 (𝑥 > 3 5 0 + 300| 𝑥 > 3 5 0 ) =
1 − 𝐹 (350)

650
1−
500
𝑃(𝑥 > 350 + 300| 𝑥 > 350) = =0,549
350
1−
500
Se sabe que el tiempo de espera una persona que llama a un
centro de atención al público para ser atendido por un asesor es
una variable aleatoria exponencial con µ = 5 minutos. Encuentre la
probabilidad de que una persona que llame al azar en un
momento dado tenga que esperar: