Unidad 3: Modelos probabilı́sticos

Santiago Jimenez Ramos

Probabilidad y Estadı́stica
Universidad de Nariño

25 de octubre de 2024

Universidad de Nariño 1 / 62
Variables aleatorias
Independencia de variables aleatorias

Universidad de Nariño 2 / 62
Variables aleatorias
Independencia de variables aleatorias

Las variables aleatorias X y Y son independientes si los eventos (X ≤ x) y

(Y ≤ y ) son independientes para todo x, y ∈ R. Esto es,

P[(X ≤ x) ∩ (Y ≤ y )] = P(X ≤ x)P(Y ≤ y ),

es decir,
P(X ≤ x, Y ≤ y ) = P(X ≤ x)P(Y ≤ y )
o bien,
FX ,Y (x, y ) = Fx (x)FY (y ).

Universidad de Nariño 2 / 62
Variables aleatorias
Independencia de variables aleatorias

Caso discreto. En variables aleatorias discretas es posible demostrar que

P[(X ≤ x) ∩ (Y ≤ y )] = P(X = x)P(Y = y )
fX ,Y (x, y ) = fX (x)fY (y )
X
P(X = x) = P(X = x, Y = y )
y
X
P(Y = y ) = = P(X = x, Y = y )
x

Universidad de Nariño 3 / 62
Variables aleatorias
Independencia de variables aleatorias

Caso discreto. En variables aleatorias discretas es posible demostrar que

P[(X ≤ x) ∩ (Y ≤ y )] = P(X = x)P(Y = y )
fX ,Y (x, y ) = fX (x)fY (y )
X
P(X = x) = P(X = x, Y = y )
y
X
P(Y = y ) = = P(X = x, Y = y )
x
Caso continuo
fX ,Y (x, y ) = fX (x)fy (y )
Z ∞
fX (x) = fX ,Y (x, y )dy
Z−∞∞
FY (y ) = fX ,Y (x, y )dx
−∞

Universidad de Nariño 3 / 62
Variables aleatorias
Valor esperado o Esperanza

Sea X una v.a discreta con función de probabilidad f (x). Entonces, se

define X
E [X ] = xf (x).
x

Universidad de Nariño 4 / 62
Variables aleatorias
Valor esperado o Esperanza

Sea X una v.a discreta con función de probabilidad f (x). Entonces, se

define X
E [X ] = xf (x).
x

Si X es una v.a continua con función de densidad f (x), entonces se define

Z ∞
E [X ] = xf (x)dx.
−∞

Universidad de Nariño 4 / 62
Variables aleatorias
Valor esperado o esperanza - Ejemplos

1. Sea X una v.a con función de probabilidad

x 0 1 2 3
f (x) 1/4 1/2 1/8 1/8

Universidad de Nariño 5 / 62
Variables aleatorias
Valor esperado o esperanza - Ejemplos

1. Sea X una v.a con función de probabilidad

x 0 1 2 3
f (x) 1/4 1/2 1/8 1/8

2. Sea X una v.a con función de probabilidad

(
1
x si x = 1, 2, 3, . . .
f (x) = 2
0 caso contrario

Universidad de Nariño 5 / 62
Variables aleatorias
Valor esperado - Ejemplos

3. Sea X una v.a con función de densidad dada por

(
2x si 0 ≤ x ≤ 1
f (x) =
0 caso contrario

Universidad de Nariño 6 / 62
Variables aleatorias
Valor esperado - Ejemplos

3. Sea X una v.a con función de densidad dada por

(
2x si 0 ≤ x ≤ 1
f (x) =
0 caso contrario

Proposición
Sea X una v.a con función de probabilidad f (x). Sea g : R → R una
función tal que g (x) es una v.a con esperanza finita. Entonces
(P
g (x)f (x) en el caso discreto,
E [g (x)] = R ∞x
−∞ g (x)f (x)dx en el caso continuo.

Universidad de Nariño 6 / 62
Variables aleatorias
Valor esperado - Ejemplos

E [X 2 ] = x 2 f (x)
P
x
E [X n ] = x n f (x)
P
x
R∞
E [e X ] = e x f (x)dx
−∞
R∞
E [cos(X )] = cos(x)f (x)dx.
−∞

Universidad de Nariño 7 / 62
Variables aleatorias
Valor esperado - Propiedades

Sean X y Y dos v.a’s con esperanza finita y sea c una constante.

Entonces,
1 E [c] = c.
2 E [cX ] = cE [X ].
3 Si X ≥ 0 entonces, E [X ] ≥ 0.
4 E [X + Y ] = E [X ] + E [Y ].
5 Si X y Y son independientes entonces, E [XY ] = E [X ]E [Y ].

Universidad de Nariño 8 / 62
Variables aleatorias
Varianza

Sea X una v.a con esperanza finita µ. La varianza de X es un número

denotado por Var (X ) y definido como sigue:

Var (X ) = E [X − µ]2

cuando esta esperanza es finita.

Universidad de Nariño 9 / 62
Variables aleatorias
Varianza

Sea X una v.a con esperanza finita µ. La varianza de X es un número

denotado por Var (X ) y definido como sigue:

Var (X ) = E [X − µ]2

cuando esta esperanza es finita.

Si X es una v.a discreta
X
Var (X ) = (x − µ)2 f (x).
x

Universidad de Nariño 9 / 62
Variables aleatorias
Varianza

Sea X una v.a con esperanza finita µ. La varianza de X es un número

denotado por Var (X ) y definido como sigue:

Var (X ) = E [X − µ]2

cuando esta esperanza es finita.

Si X es una v.a discreta
X
Var (X ) = (x − µ)2 f (x).
x

Si X es una v.a continua

Z∞
Var (X ) = (x − µ)2 f (x)dx.
−∞

Universidad de Nariño 9 / 62
Variables aleatorias
Varianza

Universidad de Nariño 10 / 62
Variables aleatorias
Varianza - Ejemplos

1. Sea X una v.a discreta con función de probabilidad

x −1 0 1
f (x) 1/4 1/2 1/4

Universidad de Nariño 11 / 62
Variables aleatorias
Varianza - Ejemplos

1. Sea X una v.a discreta con función de probabilidad

x −1 0 1
f (x) 1/4 1/2 1/4

2. Sea X una v.a continua con función de densidad

(
2x si 0 ≤ x ≤ 1
f (x) =
0 caso contrario.

Universidad de Nariño 11 / 62
Variables aleatorias
Varianza - Propiedades

Sean X y Y dos v.a’s con esperanza finita y sea c una constante.

Entonces
1 Var (X ) ≥ 0
2 Var (c) = 0
3 Var (cX ) = c 2 Var (X )
4 Var (X + c) = Var (X )
5 Var (X ) = E [X 2 ] − E 2 [X ]
6 En general, Var (X + Y ) ̸= Var (X ) + Var (Y ). La igualdad se cumple
cuando X y Y son independientes.

Universidad de Nariño 12 / 62
Modelos probabilı́sticos discretos
Distribución uniforme discreta

Decimos que X ∼ unif {x1 , x2 , . . . , xn } cuando su función de probabilidad

está dada por la siguiente expresión

Universidad de Nariño 13 / 62
Modelos probabilı́sticos discretos
Distribución uniforme discreta

Decimos que X ∼ unif {x1 , x2 , . . . , xn } cuando su función de probabilidad

está dada por la siguiente expresión
(
1
si x = x1 , x2 , x3 , . . .
f (x) = n
0 caso contrario

Universidad de Nariño 13 / 62
Modelos probabilı́sticos discretos
Distribución uniforme discreta

Decimos que X ∼ unif {x1 , x2 , . . . , xn } cuando su función de probabilidad

está dada por la siguiente expresión
(
1
si x = x1 , x2 , x3 , . . .
f (x) = n
0 caso contrario

n
1 P
E [X ] = n xi .
i=1
n
1
(xi − E [X ])2 .
P
Var (X ) = n
i=1

Universidad de Nariño 13 / 62
Modelo uniforme discreto
Gráfica

Figura: Modelo uniforme discreto [0,10]

Universidad de Nariño 14 / 62
Modelo uniforme discreto
Ejemplos

1. Una rifa tiene 100 billetes enumerados de 1 a 100. Tengo 5 billetes

consecutivos enumerados de 21 a 25 y mi amigo tiene otros 5 billetes, con
los números 1,11,29,68 y 93. ¿ Quién tiene mayor posibilidades de ganar?

Universidad de Nariño 15 / 62
Modelo uniforme discreto
Ejemplos

1. Una rifa tiene 100 billetes enumerados de 1 a 100. Tengo 5 billetes

consecutivos enumerados de 21 a 25 y mi amigo tiene otros 5 billetes, con
los números 1,11,29,68 y 93. ¿ Quién tiene mayor posibilidades de ganar?

2. Sea X ∼ unif {1, 2, 3, . . . , 10}, calculemos

a. P(X ≥ 7).
b. P(3 < X ≤ 7).
c. P(X < 2 o X ≥ 8).
d. P(X > 3 y X < 6).
e. P(X ≤ 9|X ≥ 6).

Universidad de Nariño 15 / 62
Modelo Bernoulli
Distribución Bernoulli

(
éxito −→ 1
Ensayo Bernoulli
fracaso −→ 0

Universidad de Nariño 16 / 62
Modelo Bernoulli
Distribución Bernoulli

(
éxito −→ 1
Ensayo Bernoulli
fracaso −→ 0
Decimos que una variable aleatoria X ∼ Bernoulli(p), 0 ≤ p ≤ 1 y
corresponde a la probabilidad de obtener éxito en el ensayo de Bernoulli.

Universidad de Nariño 16 / 62
Modelo Bernoulli
Distribución Bernoulli

(
éxito −→ 1
Ensayo Bernoulli
fracaso −→ 0
Decimos que una variable aleatoria X ∼ Bernoulli(p), 0 ≤ p ≤ 1 y
corresponde a la probabilidad de obtener éxito en el ensayo de Bernoulli.

1 − p si x = 0,

f (x) = p si x = 1

0 caso contrario

(
p x (1 − p)1−x si x = 0, 1
=
0 caso contrario .

Universidad de Nariño 16 / 62
Modelo Bernoulli
Gráficas

E [X ] = p.
Var (X ) = p(1 − p).

Universidad de Nariño 17 / 62
Distribución Bernoulli
Ejemplos

1. Sea A un evento cualquiera y sea p = P(A). Entonces, sea

(
1 si ω ∈ A
X (ω) =
0 si ω ∈/A

Universidad de Nariño 18 / 62
Distribución Bernoulli
Ejemplos

1. Sea A un evento cualquiera y sea p = P(A). Entonces, sea

(
1 si ω ∈ A
X (ω) =
0 si ω ∈/A

2. Lanzar un dado y definir éxito como obtener un 6.

3. Lanzar una moneda y definir éxito como obtener cara.
4. Un sorteo con 5 billetes enumerados del 1 al 5 y definir éxito si gana el
sorteo.

Universidad de Nariño 18 / 62
Distribución Binomial

Considere la repetición de n ensayos de Bernoulli independientes y todos

con la misma probabilidad de éxito p. La variable aleatoria que cuenta el
número total de éxitos se denomina Binomial con parámetros n y p.
Decimos X ∼ bin(n, p), con función de probabilidad
 
n x
f (x) = p (1 − p)n−x , x = 0, 1, 2, . . . , n.
x

Universidad de Nariño 19 / 62
Distribución Binomial

Considere la repetición de n ensayos de Bernoulli independientes y todos

con la misma probabilidad de éxito p. La variable aleatoria que cuenta el
número total de éxitos se denomina Binomial con parámetros n y p.
Decimos X ∼ bin(n, p), con función de probabilidad
 
n x
f (x) = p (1 − p)n−x , x = 0, 1, 2, . . . , n.
x

E [X ] = np.
Var (X ) = np(1 − p)

Universidad de Nariño 19 / 62
Distribución Binomial

Considere la repetición de n ensayos de Bernoulli independientes y todos

con la misma probabilidad de éxito p. La variable aleatoria que cuenta el
número total de éxitos se denomina Binomial con parámetros n y p.
Decimos X ∼ bin(n, p), con función de probabilidad
 
n x
f (x) = p (1 − p)n−x , x = 0, 1, 2, . . . , n.
x

E [X ] = np.
Var (X ) = np(1 − p)
i.i.d
NOTA: Sea Y = X1 , X2 , . . . , Xn con Xi ∼ Bernoulli(p). Entonces,
Y ∼ bin(n, p).

Universidad de Nariño 19 / 62
Distribución Binomial
Gráficos

Figura: Función de probabilidad para una X ∼ bin(n, p).

Universidad de Nariño 20 / 62
Distribución Binomial
Ejemplos

1. El 7 % de 100 artı́culos están defectuosos. Si se toma una muestra (sin

orden y sin remplazo) al azar de 5 articulos. ¿Cuál es la probabilidad de
que aparezca por lo menos un artı́culo defectuoso?

2. La puntuación en una prueba internacional de competencias en el

idioma inglés varı́a de 0 a 700 puntos, con más puntos indicando un mejor
rendimiento. La información recopilada durante varios años permite
establecer el siguiente modelo para el rendimiento en la prueba:
Puntos [0,200) [200,300) [300,400) [400,500) [500,600) [600,700]
pi 0,06 0,15 0,16 0,25 0,28 0,1

Varias universidades americanas, exigen una puntuación mı́nima de 600

puntos para aceptar candidatos de paises de lengua no inglesa. De un
grande grupo de estudiantes colombianos que presentaron el último
examen, escogemos al azar 20. ¿Cuál es la probabilidad de que un máximo
de 3 cumplan con el requisito mı́nimo?
Universidad de Nariño 21 / 62
Distribución Binomial
Ejemplos

3. Un veterinario está estudiando el ı́ndice de nacimientos en cerdos sujetos

a inceminación artificial. Para esto, recolectó información sobre la variable
número de cachorros nacidos vivas en cada una de las 100 inceminaciones
realizadas con el mismo padre. A continuación se presentan los resultados:
Número 1 2 3 4 5 6 7 8 9
Freq. observada 1 6 7 23 26 21 12 3 1
El veterinario informa que 11 o más cachorros nacidos vivos es una
ocurrencia muy extraña e puede ser despreciada en términos del modelo.
Ası́ el sugiere considerar que la variable N : número de cachorros nacidos
vivos, puede ser ajustada por el modelo Binomial con parámetros n = 10 y
p = 0,5. ¿ Qué cree usted de la sugerencia del veterinario?

Universidad de Nariño 22 / 62
Distribución Geométrica

Suponga que tiene una sucesión infinita de ensayos de Bernoulli

independientes con la misma probabilidad de éxito p. Sea la variable
aleatoria X : “número de fracasos antes de obtener el primer éxito”.
Decimos X ∼ geo(p), con función de probabilidad

f (x) = p(1 − p)x , 0 ≤ 1 y x = 0, 1, 2, . . . .

Universidad de Nariño 23 / 62
Distribución Geométrica

Suponga que tiene una sucesión infinita de ensayos de Bernoulli

independientes con la misma probabilidad de éxito p. Sea la variable
aleatoria X : “número de fracasos antes de obtener el primer éxito”.
Decimos X ∼ geo(p), con función de probabilidad

f (x) = p(1 − p)x , 0 ≤ 1 y x = 0, 1, 2, . . . .

1−p
E [X ] = p .
Var (X ) = 1−p
p2
.

Universidad de Nariño 23 / 62
Distribución Geométrica
Gráfica

Figura: Función de probabilidad de X ∼ geo(p).

Universidad de Nariño 24 / 62
Distribución Geométrica
Ejemplos

1. Se analiza una lı́nea de producción para controlar la calidad de las

piezas producidas. Dado el alto estándar requerido, la producción se
detiene para realizar ajustes cada vez que se observa una pieza defectuosa.
Si 0,01 es la probabilidad de que la pieza sea defectuosa, estudie el
comportamiento de la variable Q : “Número de piezas producidas buenas
antes de la defectuosa”.

Universidad de Nariño 25 / 62
Distribución Geométrica
Ejemplos

1. Se analiza una lı́nea de producción para controlar la calidad de las

piezas producidas. Dado el alto estándar requerido, la producción se
detiene para realizar ajustes cada vez que se observa una pieza defectuosa.
Si 0,01 es la probabilidad de que la pieza sea defectuosa, estudie el
comportamiento de la variable Q : “Número de piezas producidas buenas
antes de la defectuosa”.

2. Cada semana una persona participa en un juego de loterı́a en donde la

probabilidad de ganar es p = 10−6 . ¿ Cuán tas semanas en promedio la
persona debe participar hasta ganar la loterı́a?

Universidad de Nariño 25 / 62
Distribución Binomial Negativa

Suponga que tenemos una sucesión de ensayos de Bernoulli independientes

con la mis probabilidad de éxito p. Sea la variable aleatoria X : “ Número
de fracasos antes de obtener r éxitos”, r ∈ N. Decimos X ∼ bin.neg (r , p),
con función de probabilidad
 
r +x −1 r
f (x) = p (1 − p)x , 0 ≤ p ≤ 1 y x = 0, 1, 2, . . . .
x

Universidad de Nariño 26 / 62
Distribución Binomial Negativa

Suponga que tenemos una sucesión de ensayos de Bernoulli independientes

con la mis probabilidad de éxito p. Sea la variable aleatoria X : “ Número
de fracasos antes de obtener r éxitos”, r ∈ N. Decimos X ∼ bin.neg (r , p),
con función de probabilidad
 
r +x −1 r
f (x) = p (1 − p)x , 0 ≤ p ≤ 1 y x = 0, 1, 2, . . . .
x

E [X ] = r 1−p
p .
Var (X ) = r 1−p
p2
.

Universidad de Nariño 26 / 62
Distribución Binomial Negativa
Gráficas

Figura: Función de probabilidad X ∼ bin.neg (r , p)

Universidad de Nariño 27 / 62
Distribución Binomial Negativa
Gráficas

Figura: Función de probabilidad X ∼ bin.neg (r , p)

Universidad de Nariño 27 / 62
Distribución Binomial Negativa
Gráficas

Figura: Función de probabilidad X ∼ bin.neg (r , p)

Universidad de Nariño 27 / 62
Distribución Binomial Negativa
Gráficas

Figura: Función de probabilidad X ∼ bin.neg (r , p)

Universidad de Nariño 27 / 62
Distribución Binomial Negativa
Gráficas

Figura: Función de probabilidad X ∼ bin.neg (r , p)

Universidad de Nariño 27 / 62
Distribución Binomial Negativa
Gráficas

Figura: Función de probabilidad X ∼ bin.neg (r , p)

Universidad de Nariño 27 / 62
Distribución Binomial Negativa
Gráficas

Figura: Función de probabilidad X ∼ bin.neg (r , p)

Universidad de Nariño 27 / 62
Distribución Binomial Negativa
Gráficas

Figura: Función de probabilidad X ∼ bin.neg (r , p)

Universidad de Nariño 27 / 62
Distribución Binomial Negativa
Ejemplos

1. Si la probabilidad de que un bebé concebido sea niño es de 4/7 y de que sea

niña es de 3/7, ¿ en promedio, cuántos hijos en total tendrá una pareja que desea
tener 3 niñas ?

Universidad de Nariño 28 / 62
Distribución Binomial Negativa
Ejemplos

1. Si la probabilidad de que un bebé concebido sea niño es de 4/7 y de que sea

niña es de 3/7, ¿ en promedio, cuántos hijos en total tendrá una pareja que desea
tener 3 niñas ?

2. Un paciente está siendo tratado por una afección pulmonar con operaciones en
sus 5 lóbulos pulmonares. Cada operación es independiente y tiene una tasa de
éxito del 7/11, lo que significa que hay un 7/11 de probabilidad de que el lóbulo
se cure definitivamente y un 4/11 de probabilidad de que no se cure en el primer
intento y se necesite otro intento más tarde. La cirugı́a se realizará hasta que al
menos 4 de los 5 lóbulos funcionen correctamente. Queremos saber cuántas
operaciones se esperan en total y cuál es la probabilidad de que se necesiten
exactamente 10 operaciones.

Universidad de Nariño 28 / 62
Distribución Binomial Negativa
Ejemplos

1. Si la probabilidad de que un bebé concebido sea niño es de 4/7 y de que sea

niña es de 3/7, ¿ en promedio, cuántos hijos en total tendrá una pareja que desea
tener 3 niñas ?

2. Un paciente está siendo tratado por una afección pulmonar con operaciones en
sus 5 lóbulos pulmonares. Cada operación es independiente y tiene una tasa de
éxito del 7/11, lo que significa que hay un 7/11 de probabilidad de que el lóbulo
se cure definitivamente y un 4/11 de probabilidad de que no se cure en el primer
intento y se necesite otro intento más tarde. La cirugı́a se realizará hasta que al
menos 4 de los 5 lóbulos funcionen correctamente. Queremos saber cuántas
operaciones se esperan en total y cuál es la probabilidad de que se necesiten
exactamente 10 operaciones.

3. Se sabe que la probabilidad de que un niño expuesto a una enfermedad

contagiosa la contraiga es de 0,4. Calcula la probabilidad de que el décimo niño
estudiado sea el tercero en contraer la enfermedad.

Universidad de Nariño 28 / 62
Distribución Poisson

Una variable aleatoria X tiene distribución Poisson con parámetro λ > 0,

si su función de probabilidad es dada por

e −λ λx
f (x) = , x = 0, 1, 2, . . . ,
x!
con el parámetro λ usualmete llamado como taza de ocurrencia. Decimos
X ∼ Poi(λ).

Universidad de Nariño 29 / 62
Distribución Poisson

Una variable aleatoria X tiene distribución Poisson con parámetro λ > 0,

si su función de probabilidad es dada por

e −λ λx
f (x) = , x = 0, 1, 2, . . . ,
x!
con el parámetro λ usualmete llamado como taza de ocurrencia. Decimos
X ∼ Poi(λ).
E [X ] = λ.
Var (X ) = λ.

Universidad de Nariño 29 / 62
Distribución Poisson
Gráfico

Figura: Función de probabilidad X ∼ Poi(1)

Universidad de Nariño 30 / 62
Distribución Poisson
Gráfico

Figura: Función de probabilidad X ∼ Poi(2)

Universidad de Nariño 30 / 62
Distribución Poisson
Gráfico

Figura: Función de probabilidad X ∼ Poi(3)

Universidad de Nariño 30 / 62
Distribución Poisson
Gráfico

Figura: Función de probabilidad X ∼ Poi(4)

Universidad de Nariño 30 / 62
Distribución Poisson
Gráfico

Figura: Función de probabilidad X ∼ Poi(5)

Universidad de Nariño 30 / 62
Distribución Poisson
Gráfico

Figura: Función de probabilidad X ∼ Poi(10)

Universidad de Nariño 30 / 62
Distribución Poisson
Gráfico

Figura: Función de probabilidad X ∼ Poi(20)

Universidad de Nariño 30 / 62
Distribución Poisson
Gráfico

Figura: Función de probabilidad X ∼ Poi(40)

Universidad de Nariño 30 / 62
Distribución de Poisson
Ejemplos

1. El número de incidentes de tránsito que ocurren en una cierta avenida

en un dia cualquiera sigue una distribución Poisson de media λ = 2.

Universidad de Nariño 31 / 62
Distribución de Poisson
Ejemplos

1. El número de incidentes de tránsito que ocurren en una cierta avenida

en un dia cualquiera sigue una distribución Poisson de media λ = 2.

2. La emisión de partı́culas radiactivas se ha modelizado mediante una

distribución de Poisson, dependiendo el valor del parámetro de la fuente
utilizada. Supongamos que el número de partı́culas alfa emitidas por
minuto es una variable aleatoria siguiendo el modelo de Poisson con
parámetro 5, es decir, la tasa promedio de ocurrencia es de 5 emisiones
cada minuto. Calculemos la probabilidad de que haya más de 2 emisiones
en un minuto.

Universidad de Nariño 31 / 62
Distribución Poisson
Ejemplos

3. Los ingenieros de la compañı́a telefónica están estudiando si el modelo

de Poisson se puede ajustar al número N de llamadas interestatales que
llegan, por hora, a una central telefónica, durante la noche. Los datos
recogidos, referidos a 650 periodos de una hora, se presentan a
continuación:
Llamadas 0 1 2 3 4 5 6 7 ≥8
Frec. Obs 9 38 71 115 125 106 79 50 57

Los ingenieros sugieren utilizar una tasa de ocurrencia de 4,5 llamadas por
hora durante el perı́odo estudiado. ¿ Qué cree usted del modelo propuesto
por los ingenieros ?

Universidad de Nariño 32 / 62
Distribución Poisson
Propiedades
λ
1. Sea X (n, p). Si n → ∞ y p = n con λ > 0, entonces

λx
P(X = x) −−−→ e −λ .
n→∞ x!

Universidad de Nariño 33 / 62
Distribución Poisson
Propiedades
λ
1. Sea X (n, p). Si n → ∞ y p = n con λ > 0, entonces

λx
P(X = x) −−−→ e −λ .
n→∞ x!
2. Si X y Y son v.a.i. con distribución Poisson de parámetros λ1 , λ2 ,
respectivamente, entonces

X + Y ∼ Poi(λ1 + λ2 ).

Universidad de Nariño 33 / 62
Distribución Poisson
Propiedades
λ
1. Sea X (n, p). Si n → ∞ y p = n con λ > 0, entonces

λx
P(X = x) −−−→ e −λ .
n→∞ x!
2. Si X y Y son v.a.i. con distribución Poisson de parámetros λ1 , λ2 ,
respectivamente, entonces

X + Y ∼ Poi(λ1 + λ2 ).

Ejemplo: Supongamos que estamos estudiando el número de llegadas de

clientes a dos tiendas diferentes, Tienda A y Tienda B, durante una hora.
Sabemos que el número promedio de llegadas por hora a la Tienda A es de
5 clientes (λ1 = 5) y a la Tienda B es de 3 clientes (λ2 = 3). Queremos
calcular la distribución del número total de llegadas a ambas tiendas en
una hora y la probabilidad de que entren menos de 5 clientes en ambas
tiendas por hora.
Universidad de Nariño 33 / 62
Modelos probabilı́sticos discretos
Ejercicios

1. Un usuario del transporte público llega puntualmente a las 8 de la mañana

para coger su autobús. Debido al tráfico caótico, el retraso puede oscilar entre 1 y
20 minutos (supongamos que el reloj ”salta”de un minuto a otro). Se pregunta:
a. ¿Cuál es la probabilidad de que tarde más de 10 minutos?
b. ¿Cuál es la probabilidad de que tarde al menos 5 pero no más de 10 minutos?
c. ¿Cuál es la probabilidad de que el retraso no llegue a 5 minutos?
d. Si un amigo llegó 10 minutos tarde y va a tomar el mismo autobús (que aún
no ha llegado), ¿cuál es la probabilidad de que el amigo retrasado espere hasta 3
minutos?

2. Siendo X una variable siguiendo el modelo Binomial con parámetros n = 15 y

p = 0, 4; Calcule:
a. P(X ≥ 14).
b. P(8 < X ≤ 10).
c. P(X < 2 o X ≥ 11).
e. P(X > 3 y X < 6).
f. P(X ≤ 1|X ≥ 11).
Universidad de Nariño 34 / 62
Modelos probabilı́sticos discretos
Ejercicios

3. Se lanza una moneda equilibrada sucesivamente, de forma independiente, hasta

que aparece la primera cara. Sea X la variable aleatoria que cuenta el número de
lanzamientos antes de cara la moneda. Determinar:
a. P(X ≤ 2).
b. P(X > 1).
c. P(3 < X ≤ 5).
d. ¿Cuántas veces se debe lanzar la moneda al menos para garantizar un
cabezazo con al menos 0,8 de probabilidad?

4. La aplicación de sutancia anticorrosiva sobre láminas de acero de 1m2 se

realiza de forma mecánica y puede producir defectos (pequeñas burbujas en la
pintura), según una variable aleatoria de Poisson con parámetro λ = 1 por m2 . Se
extrae una placa al azar para inspeccionarla, determine la probabilidad de:
a. Encontramos al menos 1 defecto.
b. Se encuentran un máximo de 2 defectos.
c. Encontramos de 2 a 4 defectos.
d. No se encontrará más de 1 defecto.
Universidad de Nariño 35 / 62
Modelos probabilı́sticos discretos
Ejercicios

5. Suponiendo igualdad de probabilidades entre nacimientos de cada sexo, para

una familia con tres hijos, calcule la probabilidad de que:
a. Exactamente dos son varones.
b. Al menos uno de ellos será hombre.
c. Todas sean mujeres.

6. Un laboratorio estudia la emisión de partı́culas de determinado material

radiactivo. Sea N: número de partı́culas emitidas en 1 minuto. El laboratorio
admite que N tiene función de probabilidad de Poisson con parámetro 5.
a. Calcule la probabilidad de que no haya emisiones de partı́culas en un minuto.
b. Determine la probabilidad de que se emita al menos una partı́cula en un
minuto.
c. ¿Cuál es la probabilidad de que, en un minuto, el número de partı́culas
emitidas esté entre 2 y 5 (inclusive)?

Universidad de Nariño 36 / 62
Modelos probabilı́sticos continuos
Distribución uniforme continua

Decimos que la v.a X tiene distribución uniforme continua en el intervalo

[a, b], a < b (X ∼ U(a, b)) si su función de densidad es dada por
(
1
si a ≤ x ≤ b
f (x) = b−a
0 caso contrario.

Universidad de Nariño 37 / 62
Modelos probabilı́sticos continuos
Distribución uniforme continua

Decimos que la v.a X tiene distribución uniforme continua en el intervalo

[a, b], a < b (X ∼ U(a, b)) si su función de densidad es dada por
(
1
si a ≤ x ≤ b
f (x) = b−a
0 caso contrario.

Ası́, su función de distribución es


Zx 0
 si x ≤ a
F (x) = P(X ≤ x) = x−a
f (u)du = si a ≤ x ≤ b
 b−a
1 si x ≥ b.

−∞

Universidad de Nariño 37 / 62
Modelos probabilı́sticos continuos
Distribución uniforme continua

Decimos que la v.a X tiene distribución uniforme continua en el intervalo

[a, b], a < b (X ∼ U(a, b)) si su función de densidad es dada por
(
1
si a ≤ x ≤ b
f (x) = b−a
0 caso contrario.

Ası́, su función de distribución es


Zx 0
 si x ≤ a
F (x) = P(X ≤ x) = x−a
f (u)du = si a ≤ x ≤ b
 b−a
1 si x ≥ b.

−∞

a+b
E [X ] = 2 .
2
Var (X ) = (b−a)
12 .

Universidad de Nariño 37 / 62
Distribución uniforme continua
Gráficas

(a) Función de densidad (b) Función de distribución

Figura: X ∼ U(a, b)

Universidad de Nariño 38 / 62
Distribución uniforme continua
Ejemplos

1. Para comprobar la resistencia a la presión del agua, los técnicos de

calidad de una empresa inspeccionan los tubos fabricados de PVC. Las
tuberı́as inspeccionadas tienen 6 metros de longitud y son sometidas a una
gran presión hasta que aparece la primera fuga, anotándose la distancia
desde uno de los extremos (fijado a al inicio) para su posterior análisis. Se
elige al azar un tubo para inspeccionarlo. Queremos calcular la
probabilidad de que la fuga esté como máximo a 1 metro de los bordes.

Universidad de Nariño 39 / 62
Distribución uniforme continua
Ejemplos

1. Para comprobar la resistencia a la presión del agua, los técnicos de

calidad de una empresa inspeccionan los tubos fabricados de PVC. Las
tuberı́as inspeccionadas tienen 6 metros de longitud y son sometidas a una
gran presión hasta que aparece la primera fuga, anotándose la distancia
desde uno de los extremos (fijado a al inicio) para su posterior análisis. Se
elige al azar un tubo para inspeccionarlo. Queremos calcular la
probabilidad de que la fuga esté como máximo a 1 metro de los bordes.

2. Sea X ∼ U(0, 4), calcule

a. P(X > 2), P(X ≥ 2).
b. P(1 < X < 2).
c. P(1 < X < 2|X < 3), P(X < 3|1 < X < 2).

Universidad de Nariño 39 / 62
Distribución uniforme continua
Ejemplos

3. Se acepta que puede producirse una averı́a en cualquier punto de una

red eléctrica de 10 kilómetros.
a. ¿Cuál es la probabilidad de que la averı́a se produzca en los primeros
500 metros? ¿Y qué pasa con los que ocurren en los 3 kilómetros centrales
de la red?
b. El costo de reparar la red depende de la distancia desde el centro de
servicio hasta el lugar de la averı́a. Considere que el centro de atención
está en el origen de la red y que el costo es de R200 para distancias de
hasta 3 kilómetros, R400 entre 3 y 8 y R1,000 para distancias superiores a
8 kilómetros. ¿Cuál es el costo promedio de reparación?

Universidad de Nariño 40 / 62
Distribución Exponencial

Sea X una v.a continua que asume valores positivos, decimos que
X ∼ exp(λ), si su función de densidad es dada por
(
λe −λx si x > 0.
f (x) =
0 caso contrario.

Universidad de Nariño 41 / 62
Distribución Exponencial

Sea X una v.a continua que asume valores positivos, decimos que
X ∼ exp(λ), si su función de densidad es dada por
(
λe −λx si x > 0.
f (x) =
0 caso contrario.

Ası́, su función de distribución es

Zx (
0 si x ≤ 0.
F (x) = P(X ≤ x) = f (u)du =
1 − e −λx si x > 0.
−∞

Universidad de Nariño 41 / 62
Distribución Exponencial

Sea X una v.a continua que asume valores positivos, decimos que
X ∼ exp(λ), si su función de densidad es dada por
(
λe −λx si x > 0.
f (x) =
0 caso contrario.

Ası́, su función de distribución es

Zx (
0 si x ≤ 0.
F (x) = P(X ≤ x) = f (u)du =
1 − e −λx si x > 0.
−∞

E [X ] = λ1 .
1
Var (X ) = λ2
.

Universidad de Nariño 41 / 62
Distribución Exponencial
Gráficos

(a) Función de densidad (b) Función de distribución

Figura: X ∼ exp(λ)

Universidad de Nariño 42 / 62
Distribución Exponencial
Ejemplos

1. Una industria fabrica lámparas especiales que están en funcionamiento

continuamente. La empresa ofrece a sus clientes una garantı́a de
sustitución si la lámpara dura menos de 50 horas. La vida útil de estas
lámparas se modela mediante la distribución Exponencial con parámetro
1/8000. Determinar la proporción de cambios por defectos de fabricación.

Universidad de Nariño 43 / 62
Distribución Exponencial
Ejemplos

1. Una industria fabrica lámparas especiales que están en funcionamiento

continuamente. La empresa ofrece a sus clientes una garantı́a de
sustitución si la lámpara dura menos de 50 horas. La vida útil de estas
lámparas se modela mediante la distribución Exponencial con parámetro
1/8000. Determinar la proporción de cambios por defectos de fabricación.

2. El intervalo de tiempo, en minutos, entre emisiones consecutivas de una

fuente radiactiva es una variable aleatoria con distribución exponencial con
parámetro λ = 0, 2. Calculemos la probabilidad de que haya una emisión
en un intervalo inferior a 2 minutos y la probabilidad de que el intervalo
sea mayor o igual a 7, sabiendo que es mayor o igual a 5 minutos.

Universidad de Nariño 43 / 62
Distribución Exponencial
Propiedades

1 Perdida de la memoria. Sea X ∼ exp(λ) y s, t > 0. Entonces,

P(X ≥ t + s|X ≥ s) = P(X ≥ t).

2 Si los tiempos entre eventos T1 , T2 , . . . , Tn son v.a tales que

i.i.d
Ti ∼ exp(λ), entonces el número de eventos Nt que ocurren en un
intervalo de tiempo de longitud t sigue una distribución Poisson con
parámetro λt.

Universidad de Nariño 44 / 62
Distribución Exponencial
Propiedades

1 Perdida de la memoria. Sea X ∼ exp(λ) y s, t > 0. Entonces,

P(X ≥ t + s|X ≥ s) = P(X ≥ t).

2 Si los tiempos entre eventos T1 , T2 , . . . , Tn son v.a tales que

i.i.d
Ti ∼ exp(λ), entonces el número de eventos Nt que ocurren en un
intervalo de tiempo de longitud t sigue una distribución Poisson con
parámetro λt.
Ejemplo: El tiempo que transcurre entre la ocurrencia de un temblor y el
siguiente temblor tiene una media de 6 meses. Suponiendo una distribución
exponencial para los tiempos de ocurrencia, calcule la probabilidad de que:
a. No ocurra ningún temblor en los siguientes 6 meses.
b. Ocurran k temblores en el siguiente año.

Universidad de Nariño 44 / 62
Introducción a la función GAMMA

Función Gamma
La función gamma se define y se denota como sigue
Z∞
Γ(α) = x α−1 e −x dx.
0

Universidad de Nariño 45 / 62
Introducción a la función GAMMA

Función Gamma
La función gamma se define y se denota como sigue
Z∞
Γ(α) = x α−1 e −x dx.
0

Propiedades
1 Γ(1) = Γ(2) = 1
2 Γ(α + 1) = αΓ(α)
3 Γ(α) = α! si α ∈ N
√
4 Γ(1/2) = π.

Universidad de Nariño 45 / 62
Introducción a la función BETA

Función Beta
La función Beta se define y se denota como sigue

Z1
B(α, β) = x α−1 (1 − x)β−1 dx,
0

para números reales α > 0 y β > 0.

Universidad de Nariño 46 / 62
Introducción a la función BETA

Función Beta
La función Beta se define y se denota como sigue

Z1
B(α, β) = x α−1 (1 − x)β−1 dx,
0

para números reales α > 0 y β > 0.

Propiedades
1 B(a, b) = B(b, a)
2 B(a, 1) = 1/a; B(1, b) = 1/b
a b
3 B(a + 1, b) = a+b B(a, b); B(a, b + 1) = a+b B(a, b)
R π/2
4 B(a, b) = 2 0 [sin(θ)]2a−1 [cos(θ)]2b−1 dθ.

Universidad de Nariño 46 / 62
Distribución Normal

Decimos que una variable aleatoria continua X ∼ N(µ, σ 2 ), µ ∈ R, σ 2 > 0,

si su función de densidad es dada por

1 (x−µ)2
f (x) = √ e − 2σ2 , x ∈ R.
σ 2π

Universidad de Nariño 47 / 62
Distribución Normal

Decimos que una variable aleatoria continua X ∼ N(µ, σ 2 ), µ ∈ R, σ 2 > 0,

si su función de densidad es dada por

1 (x−µ)2
f (x) = √ e − 2σ2 , x ∈ R.
σ 2π
Ası́, la función de distribución es
Zx
1 (u−µ)2
F (x) = P(X ≤ x) = √ e − 2σ2 du.
σ 2π
−∞

Universidad de Nariño 47 / 62
Distribución Normal

Decimos que una variable aleatoria continua X ∼ N(µ, σ 2 ), µ ∈ R, σ 2 > 0,

si su función de densidad es dada por

1 (x−µ)2
f (x) = √ e − 2σ2 , x ∈ R.
σ 2π
Ası́, la función de distribución es
Zx
1 (u−µ)2
F (x) = P(X ≤ x) = √ e − 2σ2 du.
σ 2π
−∞

E [X ] = µ.
Var (X ) = σ 2 .

Universidad de Nariño 47 / 62
Distribución Normal
Gráfico - propiedades

Universidad de Nariño 48 / 62
Distribución Normal
Gráfico - propiedades

Propiedades

Universidad de Nariño 48 / 62
Distribución Normal
Gráfico - propiedades

Propiedades
1. f (x) es simétrica e relación a µ.

Universidad de Nariño 48 / 62
Distribución Normal
Gráfico - propiedades

Propiedades
1. f (x) es simétrica e relación a µ.
2. f (x) → 0 cuando x = ±∞.

Universidad de Nariño 48 / 62
Distribución Normal
Gráfico - propiedades

Propiedades
1. f (x) es simétrica e relación a µ.
2. f (x) → 0 cuando x = ±∞.
3. máx(f (x)) = f (µ).

Universidad de Nariño 48 / 62
Distribución Normal
Cálculo de probabilidades

¿ Cómo cálcular P(a ≤ X ≤ b) ?

Universidad de Nariño 49 / 62
Distribución Normal
Cálculo de probabilidades

¿ Cómo cálcular P(a ≤ X ≤ b) ?

X −µ
Considere X ∼ N(µ, σ 2 ), defina la nueva variable Z = σ . Por
propiedades de valor esperado y varianza tenemos

Universidad de Nariño 49 / 62
Distribución Normal
Cálculo de probabilidades

¿ Cómo cálcular P(a ≤ X ≤ b) ?

X −µ
Considere X ∼ N(µ, σ 2 ), defina la nueva variable Z = σ . Por
propiedades de valor esperado y varianza tenemos
E [Z ] = 0.
Var (Z ) = 1.
Ası́, Z ∼ N(0, 1), la cual se denomina distribución normal estándar y F (z)
es comunmente denotada por Φ(z).

Universidad de Nariño 49 / 62
Distribución Normal
Cálculo de probabilidades

¿ Cómo cálcular P(a ≤ X ≤ b) ?

X −µ
Considere X ∼ N(µ, σ 2 ), defina la nueva variable Z = σ . Por
propiedades de valor esperado y varianza tenemos
E [Z ] = 0.
Var (Z ) = 1.
Ası́, Z ∼ N(0, 1), la cual se denomina distribución normal estándar y F (z)
es comunmente denotada por Φ(z).
Para determinar la probabilidad de X ∈ [a, b], utilizamos lo siguiente:
 
a−µ b−µ
P(a ≤ X ≤ b) = P ≤Z ≤ .
σ σ

Por lo tanto, para cualquier valor de µ, σ, utilizamos la distribución normal

estandar para obtener probabilidades con la distribución normal.
Universidad de Nariño 49 / 62
Distribución Normal
Ejemplos

1. Para X ∼ N(2, 9), calculemos P(2 < X < 5).

Universidad de Nariño 50 / 62
Distribución Normal
Ejemplos

1. Para X ∼ N(2, 9), calculemos P(2 < X < 5).

Universidad de Nariño 50 / 62
Distribución Normal
Ejemplos

2. Para X ∼ N(2, 9), calculemos P(0 < X ≤ 2).

Universidad de Nariño 51 / 62
Distribución Normal
Ejemplos

2. Para X ∼ N(2, 9), calculemos P(0 < X ≤ 2).

Universidad de Nariño 51 / 62
Distribución Normal
Ejemplos - uso de tabla

3. Si Z ∼ N(0, 1) y P(0 < Z < c) = 0,4. ¿Cuál es el valor de c?

Universidad de Nariño 52 / 62
Distribución Normal
Ejemplos - uso de tabla

3. Si Z ∼ N(0, 1) y P(0 < Z < c) = 0,4. ¿Cuál es el valor de c?

4. Si Z ∼ N(0, 1) determine P(Z < −0,78).

Universidad de Nariño 52 / 62
Distribución Normal
Ejemplos - uso de tabla

3. Si Z ∼ N(0, 1) y P(0 < Z < c) = 0,4. ¿Cuál es el valor de c?

4. Si Z ∼ N(0, 1) determine P(Z < −0,78).

5. Si Z ∼ N(0, 1) y P(Z > d) = 0,8. ¿Cuál es el valor de d?

En general para un valor negativo note que

Universidad de Nariño 52 / 62
Distribución Normal
Cuando c es un valor negativo

Universidad de Nariño 53 / 62
Distribución Normal
Cuando c es un valor negativo

Universidad de Nariño 53 / 62
Distribución Normal
Cuando c es un valor negativo

Universidad de Nariño 53 / 62
Distribución Normal
Cuando c es un valor negativo

Universidad de Nariño 54 / 62
Distribución Normal
Cuando c es un valor negativo

Universidad de Nariño 54 / 62
Distribución Normal
Cuando c es un valor negativo

Universidad de Nariño 54 / 62
Distribución Normal
Ejemplos

6. Los pacientes que padecen una determinada enfermedad son sometidos

a un tratamiento intensivo cuyo tiempo de curación fue modelado por una
densidad Normal, con una media de 15 y una desviación estándar de 2 (en
dı́as). Determine
¿Qué proporción de estos pacientes tardan más de 17 dı́as en
recuperarse.
La probabilidad de que un paciente, elegido al azar, tenga un tiempo
de curación inferior a 20 dı́as.
El tiempo máximo necesario para que el 25 % de los pacientes se
recuperen.
Ahora considere que se eligen 100 pacientes al azar, ¿cuál serı́a el número
esperado de pacientes curados en menos de 11 dı́as?

Universidad de Nariño 55 / 62
Distribución Normal
Aproximaciones

Un estudio del Sindicato de Trabajadores Bancarios indica que alrededor

del 30 % de los empleados bancarios tienen problemas de estrés derivados
de las condiciones laborales. En una muestra de 200 empleados bancarios,
¿cuál serı́a la probabilidad de que al menos 50 padezcan esta enfermedad?
Admitiendo que estos empleados bancarios fueron seleccionados
aleatoriamente entre todos los trabajadores de esta categorı́a, podemos
considerar que cada uno de ellos tiene la misma probabilidad de tener o no
un problema de estrés.

Universidad de Nariño 56 / 62
Distribución Normal
Aproximaciones

Un estudio del Sindicato de Trabajadores Bancarios indica que alrededor

del 30 % de los empleados bancarios tienen problemas de estrés derivados
de las condiciones laborales. En una muestra de 200 empleados bancarios,
¿cuál serı́a la probabilidad de que al menos 50 padezcan esta enfermedad?
Admitiendo que estos empleados bancarios fueron seleccionados
aleatoriamente entre todos los trabajadores de esta categorı́a, podemos
considerar que cada uno de ellos tiene la misma probabilidad de tener o no
un problema de estrés.
X : “número total de empleados bancarios con problemas”. Entonces
X ∼ bin(200; 0,3)

Universidad de Nariño 56 / 62
Distribución Normal
Aproximaciones

Un estudio del Sindicato de Trabajadores Bancarios indica que alrededor

del 30 % de los empleados bancarios tienen problemas de estrés derivados
de las condiciones laborales. En una muestra de 200 empleados bancarios,
¿cuál serı́a la probabilidad de que al menos 50 padezcan esta enfermedad?
Admitiendo que estos empleados bancarios fueron seleccionados
aleatoriamente entre todos los trabajadores de esta categorı́a, podemos
considerar que cada uno de ellos tiene la misma probabilidad de tener o no
un problema de estrés.
X : “número total de empleados bancarios con problemas”. Entonces
X ∼ bin(200; 0,3)
200  
X 200
P(X ≥ 50) = (0,3)x (0,7)200−x
x
x=50

Universidad de Nariño 56 / 62
Distribución Normal
Aproximaciones

Universidad de Nariño 57 / 62
Distribución Normal
Aproximaciones

Universidad de Nariño 57 / 62
Distribución Normal
Aproximación binomial

Sea X ∼ bin(n, p) entonces podemos aproximar esta variable aleatoria X

de la siguiente forma X ∼ N(np, np(1 − p)).

Universidad de Nariño 58 / 62
Distribución Normal
Aproximación binomial

Sea X ∼ bin(n, p) entonces podemos aproximar esta variable aleatoria X

de la siguiente forma X ∼ N(np, np(1 − p)).

Ejemplo: Un arquero da en el centro

de la diana con una media de 60 %.
Supongamos que lanza 100 veces.

Universidad de Nariño 58 / 62
Distribución Normal
Aproximación binomial

Sea X ∼ bin(n, p) entonces podemos aproximar esta variable aleatoria X

de la siguiente forma X ∼ N(np, np(1 − p)).

Ejemplo: Un arquero da en el centro

de la diana con una media de 60 %.
Supongamos que lanza 100 veces.
A continuación se presenta el gráfico
correspondiente al calculo de estas
probabilidades.

Universidad de Nariño 58 / 62
Distribución Normal
Aproximación binomial

Universidad de Nariño 59 / 62
Distribución Normal
Aproximación binomial

Universidad de Nariño 59 / 62
Distribución Normal
Aproximación binomial

Universidad de Nariño 59 / 62
Distribución Normal
Aproximación binomial

Universidad de Nariño 59 / 62
Distribución Normal
Aproximación binomial

Universidad de Nariño 59 / 62
Distribución Normal
Aproximación binomial

Universidad de Nariño 59 / 62
Modelos probabiı́sticos continuos
Ejercicios

1. Las vigas de hierro se soldan en toda su longitud a una estructura

metálica. Un fallo de soldadura puede aparecer con una probabilidad de
0,1, y si se produce, será en cualquier punto de la viga con igual
probabilidad. Si la viga tiene una especificación de longitud igual a 6
metros, determine la probabilidad de que:
a. Sabiendo que se ha producido una falla, debe estar a un máximo de 1
metro de distancia de las extremidades.
b. La falla de soldadura ocurre en el centro de dos metros de la viga.
2. Dos amigos planean reunirse entre las 8 y las 9 p.m. Uno de ellos es
puntual y tiene la intención de llegar a las 20:30 horas y esperar
exactamente 15 minutos. El otro es más impredecible y puede llegar en
cualquier momento del intervalo programado inicialmente, saliendo
inmediatamente si no encuentras a tu amigo.¿Qué tan probable es que se
encuentren? ¿Cuál es la probabilidad de que no se reúnan por un lapso de
no más de 5 minutos?
Universidad de Nariño 60 / 62
Modelos probabiı́sticos continuos
Ejercicios

3. En una empresa, los equipos de aire acondicionado funcionan de forma

continua, excepto cuando se produce alguna averı́a que provocará una
interrupción y necesidad de mantenimiento. Supongamos que puede haber, como
máximo, un fallo por semana (7 dı́as), que se produce con una probabilidad de
0,05.Si hay una falla, puede ocurrir en cualquier momento del dı́a (24 horas).
a. Si el horario de trabajo de la empresa es de 8 a.m. a 6 p.m. de lunes a
viernes, ¿cuál es la probabilidad de una falla durante el horario de trabajo?
b. Las fallas, durante las horas de trabajo, incurren en costos de R$300, 00
mientras que en otras ocasiones el costo es de R$200, 00. Admite que si no
hay falla, el costo es cero. En 4 semanas, ¿cuál es el costo promedio debido
a fallas en el aire acondicionado?
4. Para un exponencial del parámetro 1, calcule la probabilidad de que
extraigamos un valor que esté a un máximo de 0,5 de la media.Obtén la expresión
de la función de distribución de esta variable.¿Cuál es el valor del tercer cuartil?

Universidad de Nariño 61 / 62
Modelos probabiı́sticos continuos
Ejercicios

5. El tiempo necesario para eliminar el peligro de contaminación de un

determinado plaguicida, después de su aplicación en un huerto, es una
variable aleatoria Exponencial del parámetro 2 (en años).El clima más
largo o más corto depende de factores como la lluvia, el viento y la
humedad en la región.Ante este comportamiento, las autoridades sanitarias
recomiendan evitar el contacto directo o indirecto con las frutas
pulverizadas durante algún tiempo después de la aplicación. Calcule la
probabilidad de que una fruta de este huerto, elegida al azar, ya no esté
contaminada después de 1 año de fumigación. ¿Cuál es nuestra
”seguridad”si esperamos 2 años para consumir estas frutas?

Universidad de Nariño 62 / 62