Universidad Simón Bolívar

Prof. R. Rojas

Distribuciones de probabilidad continuas

Una distribución de probabilidad es continua cuando los resultados posibles del
experimento son obtenidos de variables aleatorias continuas, es decir, de variables
cuantitativas que pueden tomar cualquier valor, y que resultan principalmente del
proceso de medición.

Los espacios muestrales continuos y las variables aleatorias continuas se presentan

siempre que se manejan cantidades que se miden en una escala continua; por ejemplo,
cuando se mide la cantidad de alcohol en la sangre de una persona, el peso neto de un
paquete de alimento congelado, la velocidad de un automóvil, etc.

Propiedades de una v.a. continua

1. P(Y=y) = 0, ya que un punto no tiene ́área.

2. P(Y ≤ y) = P(X ˂ y)
3. P(Y ≥ y) = P(X ˃ y)
4. P(a ≤ Y ≤ b) = P(Y ≤ b) - P(Y ≤ a) = P(Y ≥ a) - P(Y ≥ b)
5. P(Y ≤ y) = 1 - P(X ≥ y)
6. P(Y ≥ y) = 1 - P(X ≤ y)

Definición: Sea Y una variable aleatoria. La función de distribución de Y, denotada por

𝐹(𝑦), es tal que 𝐹(𝑦) = 𝑃(𝑌 ≤ 𝑦) para −∞ < 𝑦 < ∞.

Teorema: (Propiedades de una función de Distribución) Si 𝐹(𝑦) es una función de

distribución para una variable aleatoria Y. Entonces:

1.- 𝐹(−∞) = lim 𝐹(𝑦) = 0

𝑦→−∞

2.- 𝐹(∞) = lim 𝐹(𝑦) = 1

𝑦→∞

3.- 𝐹(𝑦) es una función no decreciente de y. (Si 𝑦1 y 𝑦2 son cualesquiera valores de

manera que 𝑦1 < 𝑦2 , entonces 𝐹(𝑦1 ) < 𝐹(𝑦2 ).

Considerando la definición anterior, es posible definir lo relacionado a variable aleatoria

continua.

Definición: Sea Y una variable aleatoria con función de distribución 𝐹(𝑦). Se dice que Y
es continua si la función de distribución 𝐹(𝑦) es continua para −∞ < 𝑦 < ∞

Definición: Si 𝐹(𝑦) es la función de distribución de una variable aleatoria continúa Y,

entonces 𝑓(𝑦) vienen dada por:

𝑑𝐹(𝑦)
𝑓(𝑦) = = 𝐹 ´ (𝑦)
𝑑𝑦

siempre que exista la derivada, se denomina función de densidad de probabilidad para

la variable aleatoria Y.
𝑦
En consecuencia, 𝐹(𝑦) = ∫−∞ 𝑓(𝑡) 𝑑𝑡
 Universidad Simón Bolívar
Prof. R. Rojas

Por densidad se entiende como la concentración de probabilidad dentro de un intervalo

de valores de la variable x.

Esta PROBABILIDAD puede ser interpretada como un Área (integral) bajo la curva f(x).

Por lo tanto, la función de distribución de una v.a. continua Y viene dada por
𝑦

F(y) = P(Y ≤ y) = ∫ fy (t)dt

−∞

Teorema: (Propiedades de una función de Densidad) Si 𝑓(𝑦) es una función de

densidad para una variable aleatoria continua Y. Entonces:
1.- 𝑓(𝑦) ≥ 0 para toda 𝑦, −∞ < 𝑦 < ∞
∞
2.- ∫−∞ 𝑓(𝑦)𝑑𝑦 = 1

Teorema: Si la variable aleatoria Y tiene función de densidad 𝑓(𝑦) y 𝑎 < 𝑏,

entonces la probabilidad de que Y pertenezca al intervalo [𝑎, 𝑏] es;
𝑏
𝑃(𝑎 ≤ 𝑦 ≤ 𝑏) = ∫ 𝑓(𝑦) 𝑑𝑦 = 𝐹(𝑏) − 𝐹(𝑎)
𝑎

donde 𝐹(𝑦) es la función de distribución de Y.

Ejemplo
Sea la función de distribución de una variable aleatoria Y;
0 𝑦≤0
𝑦
0<𝑦<2
8
𝐹(𝑦) =
𝑦2
2≤𝑦<4
16
{ 1 𝑦≥4
a) Hallar la función de densidad de Y.
b) Calcule 𝑝(1 ≤ 𝑌 ≤ 3)
c) Encuentre 𝑝(𝑌 ≥ 1,5)
 Universidad Simón Bolívar
Prof. R. Rojas

Solución:
a) Dado que la función de densidad es la derivada de la función de distribución,
entonces debemos derivar por partes, entonces:
0 𝑦≤0
1
0<𝑦<2
𝑓(𝑦) = 8𝑦
2≤𝑦<4
8
{ 0 𝑦≥4
9 1 7
b) 𝑝(1 ≤ 𝑌 ≤ 3) = 𝐹(3) − 𝐹(1) = 16 − 8 = 16
3
2 13
c) 𝑝(𝑌 ≥ 1,5) = 1 − 𝑝(𝑌 ≤ 1,5) = 1 − 𝐹(1,5) = 1 − = 16
8

Ejemplo
Suponga que Y tiene una función de densidad;
𝑘𝑦(1 − 𝑦) 0 ≤ 𝑦 ≤ 1
𝑓(𝑦) = {
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑝𝑢𝑛𝑡𝑜
a) Halle k para que 𝑓(𝑦) sea una función de densidad.
b) Calcule 𝑝(0,4 ≤ 𝑌 ≤ 1).
c) Encuentre 𝑝(0,4 ≤ 𝑌 < 1).
Solución:
∞
a) Para que 𝑓(𝑦) sea una función de densidad ∫−∞ 𝑓(𝑦) 𝑑𝑦 = 1. Por lo que

calculamos:
∞ 1 1
∫ 𝑘𝑦(1 − 𝑦) 𝑑𝑦 = ∫ 𝑘𝑦 𝑑𝑦 − ∫ 𝑘𝑦 2 𝑑𝑦
−∞ 0 0
1
𝑦2 𝑦3 1 1 𝑘
= 𝑘[ − ] = 𝑘( − ) = = 1 ⇒ 𝑘 = 6
2 3 0 2 3 6
1
1 𝑦2 𝑦3
b) 𝑝(0,4 ≤ 𝑌 ≤ 1) = ∫0,4 6𝑦(1 − 𝑦) 𝑑𝑦 = 6 [ − ]
2 3 0,4

1 1 0,16 0,064 1 22
= 6 [( − ) − ( − )] = 6 ( − ) = 0,648
2 3 2 3 6 375
𝑎
c) Como la integral en un punto es igual a cero, es decir ∫𝑎 𝑓(𝑥)𝑑𝑥 = 0, entonces

podemos concluir que 𝑝(0,4 ≤ 𝑌 < 1) = 𝑝(0,4 ≤ 𝑌 ≤ 1) = 0,648.

Siguiendo con el estudio de las variables aleatorias continuas, es importante conocer

los procedimientos para el cálculo de su media, varianza y desviación estándar. En tal
sentido, se establecen las siguientes definiciones:
 Universidad Simón Bolívar
Prof. R. Rojas

Definición: El valor esperado de una variable aleatoria continúa Y es

∞
𝐸(𝑌) = ∫ 𝑦𝑓(𝑦) 𝑑𝑦
−∞

siempre y cuando la integral exista.

Teorema: Si 𝑔(𝑌) es una función de Y, entonces el valor esperado de 𝑔(𝑌) esta dado
por;
∞
𝐸(𝑔(𝑌)) = ∫−∞ 𝑔(𝑌)𝑓(𝑦) 𝑑𝑦 , siempre y cuando la integral exista.

Teorema: Si c es una constante y 𝑔(𝑦), 𝑔1 (𝑦), 𝑔2 (𝑦), … , 𝑔𝑘 (𝑦) son funciones de una
variable aleatoria continúa Y, entonces:
1- 𝐸(𝑐) = 𝑐
2- 𝐸(𝑐𝑔(𝑦)) = 𝑐𝐸(𝑔(𝑦))

3- 𝐸 (𝑔1 (𝑦) + 𝑔2 (𝑦) + … + 𝑔𝑘 (𝑦)) = 𝐸 (𝑔1 (𝑦)) + 𝐸 (𝑔2 (𝑦)) + ⋯ + 𝐸 (𝑔𝑘 (𝑦))

Ejemplo
Si Y tiene función de densidad
3 2
𝑦 +𝑦 0≤𝑦 ≤1
𝑓(𝑦) = { 2
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑝𝑢𝑛𝑡𝑜
Calcule la media y la varianza de Y.
Solución:
1 1
3 3 𝑦3 3 1 17
𝐸(𝑌) = ∫ 𝑦 ( 𝑦 2 + 𝑦) 𝑑𝑦 = [ 𝑦 4 + ] = + =
0 2 8 3 0 8 3 24

2) 2
1
3 2
2
17 2
𝑉(𝑌) = 𝐸(𝑌 − 𝐸(𝑌) = ∫ 𝑦 ( 𝑦 + 𝑦) 𝑑𝑦 − ( )
0 2 24
1 2
3 𝑦4 17 11
= [ 𝑦5 + ] − ( ) =
10 4 0 24 20

Distribución Uniforme
Es el modelo continuo más simple. Corresponde al caso de una variable aleatoria que
solo puede tomar valores entre dos extremos a y b, de manera que todos los intervalos
de una misma longitud tienen la misma probabilidad.
 Universidad Simón Bolívar
Prof. R. Rojas

Su función de densidad se representa por

1
𝑠𝑖 𝑥 ∈ (𝑎, 𝑏)
𝑓𝑥 (𝑥) = {𝑏 − 𝑎
𝑠𝑖 𝑥 ∉ (𝑎, 𝑏)
0
Cuya representación gráfica es:

Su función de distribución se expresa:

0 𝑠𝑖 𝑥 ≤ 𝑎
𝑥−𝑎
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = { 𝑠𝑖 𝑥 ∈ (𝑎, 𝑏)
𝑏−𝑎
1 𝑠𝑖 𝑥 ≥ 𝑏

Cuya representación gráfica es:

Esperanza y varianza

𝑏+𝑎 (𝑏−𝑎)2
𝐸(𝑥) = 2
𝑉𝑎𝑟(𝑥) = 12

Ejemplo

Sea x el momento al azar en que un estudiante recibe una clase en un determinado día
entre las horas:7-8-9-10-11-12-13.
 Universidad Simón Bolívar
Prof. R. Rojas

a) ¿Cuál es la función de densidad de x?

Se tiene que a=7 y b= 13, entonces
1 𝑠𝑖 𝑥 ∈ (7, 13)
𝑓𝑥 (𝑥) = {6
𝑠𝑖 𝑥 ∉ (7, 13)
0
b) Determine su valor medio esperado
13 + 7
𝐸(𝑥) = = 10
2
c) Determine su desviación estándar
(13 − 7)2
𝑉𝑎𝑟(𝑥) = = 3 → 𝜎 = √3 = 1,732
12
d) Determine la probabilidad de que el estudiante llegue en la primera media hora
a clase.
7,5 − 7 7 − 7
𝐹(𝑥) = 𝑃(7 ≤ 𝑋 ≤ 7,5) = 𝑃(𝑋 ≤ 7,5) + 𝑃(𝑋 ≤ 7) = + = 0,083
13 − 7 13 − 7

La Distribución Normal
Entre las muchas curvas de distribución continua que se emplean en estadística,
la más importante es la curva normal. Con frecuencia a la distribución normal se le
identifica como la piedra angular de la estadística moderna, esto se debe en parte al
papel que desempeña en el desarrollo de la teoría estadística y en parte al hecho de
que es frecuente que distintas variables asociadas a fenómenos naturales y cotidianos
siguen, aunque sea de manera aproximada, esta distribución. Por ejemplo, la medición
en experimentos científicos, tiempos de reacción en experimentos psicológicos,
medidas e indicadores económicos, etc., tienen el mismo patrón general que las
distribuciones normales. Además, la normal se puede usar para aproximar varias
distribuciones de probabilidad discretas y tiene algunas propiedades que la hacen
aplicable a un gran número de situaciones en las que es necesario hacer inferencias
mediante la toma de muestras.

Definición
Se dice que una variable aleatoria continua X tiene una distribución normal con
parámetros μ y σ (donde -∞ < μ < ∞ y 0 < σ), si la función de densidad de probabilidad
de X es:


 x  μ 2
1
f(x)  e 2σ 2
- x
2π σ

La expresión de que X está normalmente distribuida con los parámetros μ y σ se denota

como:

X ~ N (μ , σ).

La gráfica de la distribución normal es :

 Universidad Simón Bolívar
Prof. R. Rojas

Características
1. La curva tiene un solo pico, por tanto es unimodal y tiene forma de campana.
2. La media de la población distribuida normalmente cae en el centro de su curva
normal.
3. Los dos extremos de la distribución normal de probabilidad se extienden
indefinidamente y nunca tocan el eje x, por lo que existe algo de
probabilidad de que la variable aleatoria pueda tomar valores demasiado
grandes o muy pequeños, sin embargo, no se pierde mucha precisión al
ignorar valores tan alejados de la media. Por lo tanto, a cambio de la
conveniencia del uso de este modelo teórico, se debe aceptar el hecho de
que puede asignar valores empíricos imposibles.
4. Debido a la simetría de la distribución normal, la mediana y la moda se
encuentran también en el centro; en consecuencia, para una curva
normal, la media, la mediana y la moda tienen el mismo valor.
5. Si la distribución de la población de una variable es aproximadamente
normal, entonces:
a) Alrededor del 68,27% de los valores están dentro de 1 desviación estándar de
la media.
b) Alrededor del 95,45% de los valores están dentro de 2 desviaciones
estándar de la media.
c) Alrededor del 99,73% de los valores están dentro de 3 desviaciones
estándar de la media.
 Universidad Simón Bolívar
Prof. R. Rojas

La función de distribución acumulativa correspondiente está dada por:


x  t  μ 2
1
2π σ 
F(x)  e 2σ 2
dt

Observaciones:

- Aunque la mayor parte de las poblaciones reales no se extienden de manera

indefinida en ambas direcciones, la distribución normal es una aproximación
conveniente.

- Cabe destacar que no hay una sola distribución normal, sino una familia de curvas
normales por lo que para diversos pares (μ,σ) diferentes, tenemos variadas gráficas.

De lo anterior, se puede apreciar que la curva normal puede describir un gran número
de poblaciones, diferenciadas solamente por la media, por la desviación estándar o por
ambas.

- Para calcular P(a ≤ X ≤ b) cuando X es una variable aleatoria con distribución normal
de parámetros μ y σ debemos evaluar:

b

 x  μ 2
1

a 2π σ
e 2σ 2
dx

Sin embargo, ninguna de las técnicas de integración estándar se emplean para evaluar
la expresión anterior. En lugar de esto se trabaja con una distribución normal con valores
de parámetros μ = 0 y σ = 1, que recibe el nombre de distribución normal estándar
(variable aleatoria Z) y cuya función de densidad de probabilidad viene dada por:

z2
1 
f(z)  e 2
-z
2π

La función de distribución acumulativa correspondiente viene dada por:

z t2
1 
F(z) 
2π 
e 2σ 2
dt
 Universidad Simón Bolívar
Prof. R. Rojas

La expresión para una distribución normal estándar es Z ~ N (0,1) y donde z es la

variable estandarizada. Al efectuar el cambio de escala que convierte las unidades de
medición en unidades estándar utilizamos la expresión:

x μ
z
σ

El valor de z simplemente nos dice cuántas

desviaciones estándar está el valor de x
correspondiente arriba o debajo de la
media.

Áreas bajo la curva normal

En la práctica, se encuentran áreas debajo de curvas normales en tablas especiales, sin
embargo, para cualquier distribución normal de probabilidad todos los intervalos que
contienen el mismo número de desviaciones estándar a partir de la media contendrán
la misma fracción del área total bajo la curva para cualquier distribución de probabilidad
normal.

Por lo tanto y puesto que resulta físicamente imposible (y también innecesario) construir
tablas separadas de áreas de curvas normales para todas las parejas de valores de μ y
σ concebibles, estas áreas se tabulan sólo en relación con la distribución normal
estándar.

La tabla que se manejará está organizada en términos de unidades estándar, o valores

de z. Da los valores de únicamente la mitad del área bajo la curva normal, empezando
con 0,0 en la media. Como la distribución normal es simétrica, los valores verdaderos
para una mitad de la curva son verdaderos para la otra.

Las probabilidades en el caso de la distribución normal (en general si la variable

aleatoria es continua) está representada por el área bajo la curva de la función de
densidad. Entonces:

 P(Z=x) = 0, ya que un punto no tiene ́área.

 P(Z<x) está representada por al área bajo la curva a la izquierda de x como
se ve en la figura
 Universidad Simón Bolívar
Prof. R. Rojas

 P(Z>x) está representada por al área bajo la curva a la derecha de x como

se ve en la figura

 P(a<Z<b) está representada por al área bajo la curva que está entre los
valores de a y b como se ve en la figura

Determinar el área bajo la curva normal

Para determinar el área bajo la curva de una distribución que se aproxime a una normal
estándar hay que:

 Interpretar gráficamente el área de interés.

 Determinar el valor Z
 Encontrar el valor de Z en la tabla de la distribución normal estándar
 Calcular las áreas para encontrar la probabilidad deseada

Ejemplo 1

Supóngase que se sabe que el peso de los/as estudiantes universitarios/as sigue una
distribución aproximadamente normal, con una media de 140 libras y una desviación
estándar de 20 libras.

a) Determinar la probabilidad de que una persona tenga un peso menor o igual a

150 libras

Interpretar gráficamente el área de interés.

 Universidad Simón Bolívar
Prof. R. Rojas

Se establece que a=150 libras, por lo tanto el área de la curva de la curva requerida
es:

Determinar el valor Z:

𝑥− 𝜇 150 − 𝜇 150 − 140

𝑃(X <= 150) = 𝑃 ( <= ) = 𝑃 (Z <= ) = 𝑃(Z <= 0.5)
𝜎 𝜎 20

Encontrar el valor de Z en la tabla

Z=0.5 resulta que el área es 0.6915

Calculo de áreas

P(Z<= a)=0.6915

Se concluye que la probabilidad de que una persona pese 150 lbs. o menos es de
69,15 %

b) Se desea obtener la probabilidad de que una persona elegida al azar, tenga un

peso mayor a 150 libras.

Interpretar gráficamente el área de interés.

Se establece que a=150 libras, por lo tanto el área de la curva buscada es:

Determinar el valor Z:

𝑃(X > 150) = 1 − 𝑃(X ≤ 150) = 1−= 𝑃(Z <= 0.5)

Encontrar el valor de Z en la tabla

Z=0.5 resulta que el área es 0.6915

 Universidad Simón Bolívar
Prof. R. Rojas

Calculo de áreas

𝑃(X > 150) = 1 − 𝑃(X ≤ 150) = 1 −0.6915=0.3085

Se concluye que la probabilidad de que persona elegida al azar, tenga un peso mayor
a 150 libras, es 30,85 %

c) Determinar la probabilidad de que una persona, elegida al azar, tenga un peso

menor o igual a 115 libras.

Interpretar gráficamente el área de interés.

Se establece que a=115 libras, por lo tanto el área buscada es:

Determinar el valor Z:

𝑥− 𝜇 115 − 𝜇
𝑃(X <= −115) = 1 − 𝑃(X ≤ 115) = 1 − 𝑃 ( <= )
𝜎 𝜎
115− 140
= 𝑃 (Z <= 20
) = 𝑃(Z <= −1.25)

Encontrar el valor de Z en la tabla

Z=-1.25 resulta que el área es 0.1065

Entonces el área total es:

P(Z<= -115)= 0.1056

Se concluye que la probabilidad de que una persona pese 115 lbs. o menos es de
10,56%

d) Determinar la probabilidad de que una persona elegida al azar, tenga un peso

entre 150 y 160 libras.

Interpretar gráficamente el área de interés.

Se establece que a=150 libras y b= 160 libras, por tanto el área de la curva buscada
es:
 Universidad Simón Bolívar
Prof. R. Rojas

Determinar el valor Z:

150 − 𝜇 𝑥 − 𝜇 160 − 𝜇
𝑃(150 ≤ X ≤ 160) = 𝑃 ( ≤ ≤ )
𝜎 𝜎 𝜎
150 − 140 160 − 140
= 𝑃( ≤Z≤ )= P(0.5 ≤ Z ≤ 1)
20 20

Al área de total es:

𝑃(150 ≤ Z ≤ 160) = 𝑃( Z ≤ 160) − 𝑃( Z ≤ 150) =0.3413 - 0.1915 =0,5328

La probabilidad de que una persona elegida al azar, tenga un peso entre 150 y 160
libras es 53,28%

Ejemplo 2

El gasto mensual en la construcción de una vivienda sigue una distribución normal con
una media 80.000$ y desviación estándar 4.000$. ¿Cuánto debería presupuestarse
para la construcción mensualmente, de modo que la probabilidad de que el gasto sea
mayor a la cantidad presupuestada sea tan solo de 0.1%?

X= gasto mensual

X~ N(μ,σ) donde μ=80.000 y σ=4.000

La probabilidad de que el gasto sea mayor a la cantidad presupuestada sea tan solo de
0.1% es

𝑃(X > c) = 0.01

Entonces

𝑥− 𝜇 𝑐− 𝜇 𝑐 − 80.000
𝑃(X > c) = 𝑃 ( ˃ ) = 𝑃 (Z ˃ ) = 0.01
𝜎 𝜎 4.000

Despejando c se obtiene:

𝑐 − 80.000
= 1,28
4.000

Donde el valor de 2,32 representa el valor de Z donde la probabilidad del área bajo la
curva es 0.01. Entonces c= 1,28. 4.000 +80.000 = 85120

Por lo tanto, se debería presupuestar para la construcción mensualmente 85.120$

 Universidad Simón Bolívar
Prof. R. Rojas

Distribuciones Gamma
Existen variables aleatorias que siempre son positivas, además, la mayor parte del área
bajo su función de densidad está cercana al origen y luego, esta función de densidad decae
gradualmente. Un ejemplo de este tipo de distribuciones es la Gamma.

Definición: Se dice que una variable aleatoria Y tiene una Distribución Gamma con
parámetros 𝛼 > 0 y 𝛽 > 0 si y solo si la función de densidad de Y es:

𝑦
−
𝑦 𝛼−1 𝑒 𝛽
𝑓(𝑦) = { 𝛽 𝛼 Γ(𝛼) 0≤𝑦<∞
0 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑝𝑢𝑛𝑡𝑜

donde Γ(𝛼) es conocida como función Gamma y es definida como:

∞
Γ(𝛼) = ∫ 𝑦 𝛼−1 𝑒 −𝑦 𝑑𝑦
0

Se puede demostrar fácilmente que esta función cumple las siguientes propiedades:
1.- Γ(1) = 1
2.- Γ(𝛼) = (𝛼 − 1)Γ(𝛼 − 1), para toda 𝛼 > 1
3.- Si n es entero, entonces Γ(𝑛) = (𝑛 − 1)!

Teorema: Si Y tienen una distribución Gamma con parámetros 𝛼 > 0 y 𝛽 > 0, entonces:
𝐸(𝑌) = 𝜇 = 𝛼𝛽 y 𝑉(𝑌) = 𝜎 2 = 𝛼𝛽 2
Ejemplo
El tiempo improductivo por semana Y (en horas) de una maquina industrial tiene
aproximadamente una distribución gamma con 𝛼 = 3 y 𝛽 = 2. La pérdida L (en dólares)
para la operación industrial como resultado de este tiempo improductivo está dado por
𝐿 = 30𝑌 + 2𝑌 2 . Encuentre la varianza y el valor esperado de L.
Solución:
Se sabe que 𝑌~𝐺𝑎𝑚𝑚𝑎(𝛼 = 3, 𝛽 = 2) por lo que;
𝐸(𝑌) = 𝛼𝛽 = 6 y 𝑉(𝑌) = 𝛼𝛽 2 = 12
Luego,
𝐸(𝐿) = 𝐸(30𝑌 + 2𝑌 2 ) = 3𝐸(𝑌) + 2𝐸(𝑌 2 ) = 3𝐸(𝑌) + 2[𝑉(𝑌) + 𝐸(𝑌)2 ]
 Universidad Simón Bolívar
Prof. R. Rojas

= 3(6) + 2[12 + (6)2 ] = 180 + 96 = 276

Ahora bien, para calcular la varianza utilizaremos que si 𝑌~𝐺𝑎𝑚𝑚𝑎(𝛼, 𝛽) entonces:

𝛽 𝑎 Γ(𝛼 + 𝑎)
𝐸(𝑌 𝑎 ) =
Γ(𝛼)

𝑉(𝐿) = 𝐸(𝐿2 ) − 𝐸(𝐿)2 = 𝐸((30𝑌 + 2𝑌 2 )2 ) − 𝐸(𝐿)2

= 900𝐸(𝑌 2 ) + 120𝐸(𝑌 3 ) + 4𝐸(𝑌 4 ) − (276)2
22 Γ(3 + 4) 23 Γ(3 + 4) 24 Γ(3 + 4)
= 900 + 120 + 4900 − (276)2
Γ(3) Γ(3) Γ(3)
= 43200 + 57600 + 23040 − 76176 = 47664

Definición: Sea 𝜈 un entero positivo. Se dice que una variable aleatoria Y tienen
distribución Ji-Cuadrado con 𝜈 grados de libertad si y solo si Y es una variable aleatoria
𝜈
con distribución Gamma y parámetros 𝛼 = 2 y 𝛽 = 2.

Es importante destacar que a las variables con distribución Ji-Cuadrado con 𝜈 gados de

libertad, suelen ser representadas como 𝑥𝜈2 .

Teorema: Si Y tiene variable aleatoria Ji-Cuadrado con 𝜈 grados de libertad, entonces:

𝐸(𝑌) = 𝜇 = 𝜈 y 𝑉(𝑌) = 𝜎 2 = 2𝜈
Definición: Se dice que una variable aleatoria Y tiene una distribución exponencial con
parámetro 𝛽 > 0 si y solo si la función de densidad de Y es:

1 −𝛽𝑦
𝑒 0≤𝑦<∞
𝑓(𝑦) = { 𝛽
0 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑝𝑢𝑛𝑡𝑜

Teorema: Si Y tiene una variable aleatoria exponencial con parámetro 𝛽, entonces:

𝐸(𝑌) = 𝜇 = 𝛽 y 𝑉(𝑌) = 𝜎 2 = 𝛽 2
Ejemplo
Una planta de manufactura utiliza un producto específico a granel. La cantidad de
producto empleada en un día puede ser modelada por una distribución exponencial con
 Universidad Simón Bolívar
Prof. R. Rojas

𝛽 = 4 (medida en toneladas). Encuentre la probabilidad de que la planta utilice más de 4

toneladas en un día determinado.
Solución:
Sea Y: Cantidad de producto empleada en un día, se sabe que 𝑌~𝐸𝑥𝑝𝑜𝑛𝑒𝑛𝑐𝑖𝑎𝑙 ( 𝛽 = 4).
Luego,
𝑎
1 𝑦 𝑦 𝑎 𝑎 4
𝑝(𝑌 > 4) = lim ∫ 𝑒 − 4 𝑑𝑦 = lim − [𝑒 − 4 ] = lim − [𝑒 −4 − 𝑒 −4 ] = 𝑒 −1 = 0,3679
𝑎→∞ 4 𝑎→∞ 4 𝑎→∞
4

Distribuciones Beta
Definición: Se dice que una variable aleatoria Y tiene una distribución de probabilidad
Beta con parámetros 𝛼 > 0 y 𝛽 > 0 si y solo si la función de densidad de Y es:

𝑦 𝛼−1 (1 − 𝑦)𝛽−1
0≤𝑦≤1
𝑓(𝑦) = { 𝐵(𝛼, 𝛽)
0 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑝𝑢𝑛𝑡𝑜
donde
1
Γ(𝛼)Γ(𝛽)
𝐵(𝛼, 𝛽) = ∫ 𝑦 𝛼−1 (1 − 𝑦)𝛽−1 𝑑𝑦 =
0 Γ(𝛼 + 𝛽)
Teorema: Sea Y una variable aleatoria con distribución Beta 𝛼 > 0 y 𝛽 > 0, entonces:
𝛼 𝛼𝛽
𝐸(𝑌) = 𝜇 = 𝛼+𝛽 y 𝑉(𝑌) = 𝜎 2 = (𝛼+𝛽)2 (𝛼+𝛽+1)

Ejemplo
El costo Y de reparaciones semanales de una maquina tiene una función de densidad de
probabilidad dada por
3(1 − 𝑦)2 0<𝑦<1
𝑓(𝑦) = {
0 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑝𝑢𝑛𝑡𝑜
Con mediciones en cientos de dólares. ¿Cuánto dinero debe presupuestarse a la semana
para costos de reparación, de modo que el costo real rebase la cantidad presupuestada
solo 10% del tiempo?
Solución:
Si Y: Costo de reparaciones semanales, se puede notar que:
Γ(1)Γ(3) 2 1
𝐵(1,3) = = =
Γ(1 + 3) 6 3
Por lo que, podemos decir que 𝑌~𝐵𝑒𝑡𝑎 (𝛼 = 1, 𝛽 = 3).
Luego, estamos interesado en el valor a tal que 𝑝(𝑌 > 𝑎) = 0,1 por lo cual calculamos:
 Universidad Simón Bolívar
Prof. R. Rojas

1 1
𝑦2 𝑦3 1 𝑎3
𝑝(𝑌 > 𝑎) = ∫ 3(1 − 𝑦) 𝑑𝑦 = 3 [𝑦 − 2 + ] = 3 [1 − 1 + − 𝑎 + 𝑎2 − ]
2
2 3 𝑎 3 3
𝑎

= 1 − 3𝑎 + 3𝑎2 − 𝑎3 = (1 − 𝑎)3 = 0,1

1
Entonces, 𝑎 = 1 − (0,1)3 = 0,5358, por lo que el costo presupuestado es $ 53,58.

Referencia bibliográfica

Wackerly, Mendenhall y Scheaffer (2009) Estadística matemática con

aplicaciones.