8.

MODELOS CONTINUOS
Objetivo
Introducir las distribuciones distribuciones con-
tinuas mas importantes: las distribuciones uni-
forme, exponencial y normal. Ilustrar el uso de
tablas de probabilidades de la distribuci on nor-
mal. Comentar el teorema central del lmite y
el uso de la distribuci on normal como aproxi-
maci on.
Bibliografa recomendada
Pe na y Romo (1997), Captulos 17 y 18.
359
La distribuci on uniforme
Supongamos que una variable X puede tomar
valores al azar en un rango (a, b). En este caso,
se dice que X tiene una distribuci on uniforme
entre a y b y se escribe
X U(a, b).
En este caso, la probabilidad de que X caiga
en cualquier zona es la misma, y entonces la
funci on de densidad es constante.

a
b
1
ba
0
f(x)
x
360
La funci on de distribuci on
Si X U(a, b), luego, si a < x b,
F(x) = P(X x)
=
_
x
a
1
b a
du
=
_
u
b a
_
x
a
=
x a
b a

a
b
1
0
F(x)
x
361
La media y desviaci on tpica
Teorema 17 Sea X U(a, b). Luego,
E[X] =
a +b
2
V [X] =
(b a)
2
12
DT[X] =
b a

12
Demostraci on
E[X] =
_
b
a
1
b a
x dx
=
_
x
2
2(b a)
_
b
a
=
b
2
a
2
2(b a)
=
a +b
2
362
E
_
X
2
_
=
_
b
a
x
2
b a
dx
=
_
x
3
3(b a)
_
b
a
=
b
3
a
3
3(b a)
=
b
2
+ab +a
2
3
V [X] = E
_
X
2
_
E[X]
2
=
b
2
+ab +a
2
3

_
a +b
2
_
2
=
b
2
+ab +a
2
3

a
2
+2ab +b
2
4
=
a
2
2ab +b
2
12
=
(b a)
2
12

363
Ejemplo 169 Juego con una rueda de fortuna
como en la ilustraci on.

gano
pierdo
?Cual es la probabilidad de que gane?
Sea X el angulo a la vertical de la echa. Luego
X U(0, 360
o
). La probabilidad de que gane
es
P(X 90) =
90 0
360 0
=
1
4
364
La distribuci on exponencial
Anteriormente estudiamos la distribuci on Pois-
son X P() como modelo para el n umero de
sucesos raros, X, en una unidad del tiempo.
Ahora, supongamos que queremos estudiar la
distribuci on del tiempo Y entre un suceso y el
siguiente.
En este caso, la distribuci on de Y es una dis-
tribuci on exponencial con parametro .
Denicion 41 Y tiene una distribuci on ex-
ponencial con parametro si
f(y) = e
y
para 0 < y . En este caso se escribe Y
Ex().
365
La funci on de distribucion de Y es
F(y) = P(Y y)
=
_
y
0
e
u
du
=
_
e
u
_
y
0
= 1 e
y
para 0 < y < .
366
La media y varianza
Teorema 18 Si Y Ex(), entonces
E[Y ] =
1

V [Y ] =
1

2
DT[Y ] =
1

Demostraci on parcial
Recordamos que es el n umero de sucesos
esperados en una unidad de tiempo. Entonces,
el tiempo esperado entre sucesos debe ser 1/,
es decir que E[Y ] = 1/.
367
Ejemplo 170 Volvemos al Ejemplo 165. Sabe-
mos que el n umero de fuegos por ano tiene una
distribuci on Poisson P(50).
?Cual es el tiempo medio entre fuegos?
Hallar la probabilidad de que despues del ulti-
mo fuego, tarda mas de 2 semanas hasta el
siguiente.
El tiempo medio entre fuegos es 1/50 de un
ano, es decir 364/50 = 7,28 das.
P(T > 14) =
_

14
50
364
e

50
364
t
dt
= e

50
364
14
0,146
368
Ejemplo 171 El tiempo T entre llegadas suce-
sivas de coches a un punto en la carretera se
distribuye como una exponencial con parametro
= 0,01 segundos.
1) Hallar la media y varianza de T.
2) Un viejecillo empieza a cruzar la calle in-
mediatamente depues de que un coche pasa
por all. Si tarda 50 segundos en cruzar la calle,
?cual es la probabilidad de que le atropella la
siguiente coche que pasa (suponiendo que no
para, igual que la mayora de conductores es-
panoles)?
3) ?Cual es la probabilidad de que en un minuto
no llegue ningun coche?
369
1) E[T] = 1/0,01 = 100 y V [T] = 1/0,01
2
=
10000.
2)
P(T < 50) =
_

0
0,01e
0,01t
dt
= 1 e
0,0150
= 1 e
0,5
0,393
3) Sea X el n umero de coches que lluegan en
un minuto. La distribucion de X es Poisson:
X P(60 0,01) = P(0,6).
Entonces P(X = 0) =
0,6
0
e
0,6
0!
0,549.
370
Ejemplo 172 El tiempo de funcionamiento de
una bombilla se distribuye como exponencial
con una media de 10 das.
a) ?Cual es la probabilidad de que una bombilla
funciona mas de 10 das?
b) Suponiendo que cada vez que falla una bom-
billa se la cambia por una nueva, hallar la prob-
abilidad de que haya mas de 1 fallo en un mes
(30 das).
c) Hallar el n umero medio de fallos en un mes.
371
a) Sea T Ex() el tiempo de funcionamiento.
Hallamos el valor de . Sabemos que E[T] =
10 =
1

y luego = 0,1. Ahora:

P(T > 10) = 1 P(T 10)
= 1
_
1 e
0,110
_
= e
1
0,368
b) El n umero de fallos X en 30 das tiene una
distribuci on Poisson
X P(30 0,1) = P(3).
P(X > 1) = 1 P(X 1)
= 1
_
3
0
e
3
0!
+
3
1
e
3
1!
_
0,801
c) El n umero medio de fallos por mes son 3.
372