CAPÍTULO III

DISTRIBUCIONES DE PROBABILIDAD DE UNA VARIABLE ALEATORIA

CONTINUA

Sea Y cualquier variable aleatoria. La función de distribución de Y, denotada por F ( y )

, está dada por
F ( y ) = p(Y  y ) con -   y   (3.1)

En el caso de una variable aleatoria discreta Y con distribución de probabilidad p( y ) , la

función de distribución de Y está dada por
F ( y ) = p(Y  y ) =  p(t ) (3.2)
t y

Ejemplo 3.1. Un envío de 7 aparatos de televisión contiene 2 defectuosos. Un hotel adquiere

en forma aleatoria 3 de los aparatos. Si Y es el número de aparatos defectuosos adquiridos
por el hotel, encuentre la distribución de probabilidad de Y y exprese los resultados con un
histograma de probabilidad y la función de distribución de la variable aleatoria Y.
Solución. Claramente, Y es una variable aleatoria hipergeométrica, es decir,
Y ~ h( y; N = 7, n = 3, k = 2)

C02 C35 2 C12 C25 4 C22 C15 1

p(0) = = , p (1) = = y p (2 ) = =
C37 7 C37 7 C37 7
Para construir la función de distribución, consideramos primero que si y  0 ,

entonces F ( y ) = p(Y  y ) =  p(t ) = 0 , porque el primer valor de Y para el cual la

t y

probabilidad de ocurrencia es mayor que cero es Y = 0 . Ahora, si y = 0 ,

F (0) = p(Y  0) =  p(t ) = p(0) =

2
t 0 7

Análogamente, F (1) = p(Y  1) =  p(t ) = p(0 ) + p(1) =

2 4 6
+ =
t 1 7 7 7

y, por último, F (2) = p(Y  2) =  p(t ) = p(0) + p(1) + p(2) =

2 4 1
+ + =1
t 2 7 7 7
Con toda esta información ya podemos dibujar el histograma de probabilidad de Y aparece
en la figura 3.1 y la gráfica de la función de distribución, que aparece en la figura 4.2.

55
 Figura 3.1. Histograma de probabilidad de la variable aleatoria Y.

Figura 3.2. Gráfica de la función de distribución de la variable aleatoria Y.

Ejercicio 3.2. La distribución de probabilidad de Y, que es el número de defectos por cada

10 metros de una tela sintética en rollos continuos de anchura uniforme está dada por
y 0 1 2 3 4
f ( y) 0.40 0.36 0.16 0.06 0.02

Construya la función de distribución de Y.

56
 Propiedades de las funciones de distribución
1. lím F ( y ) = F (−  ) = 0
y →

2. lím F ( y ) = F ( ) = 1
y →

3. F (a )  F (b) si a  b , o sea que F es una función no decreciente.

Variable aleatoria continua

Sea Y una variable aleatoria con una función de distribución F ( y ) . Se dice que Y es

continua si F ( y ) es continua para −   y   .

Función de densidad de probabilidad

Sea F ( y ) la función de distribución de una variable aleatoria continua Y. Entonces,

la función f ( y ) dada por

dF
f ( y) = = F '( y ) (3.3)
dy
se denomina función de densidad de probabilidad para la variable aleatoria Y, siempre que
exista la derivada.
Ahora, si integramos la ecuación (3.3):
y y
dF
 f ( t ) dt =  dt dt = F ( y ) = F ( y ) − F ( − )
− −
(3.4)

Pero, por la propiedad (1) de las funciones de distribución, F ( − ) = 0 , y así

y

F ( y ) = p (Y  y ) =  f ( t ) dt (3.5)
−

Propiedades de la función de densidad de probabilidad

1. f ( y )  0 para toda y  (− , )

2.  f ( y )dy = 1
−

57
La propiedad uno quiere decir que la gráfica de la función de densidad nunca está por debajo
del eje horizontal y la segunda propiedad significa que el área total bajo la gráfica de la
función de densidad entre menos infinito e infinito es uno.
y

F ( y ) puede calcularse como F ( y ) =  f (t )dt , según se vio antes, así que la probabilidad de
−

que una variable aleatoria continua Y esté en el intervalo a, b está dada por
b
p ( a  Y  b ) =  f ( y ) dy (3.6)
a

donde f ( y ) es la función de densidad de probabilidad para Y.

Esto puede verse de la siguiente manera
b
p(a  Y  b ) = p(Y  b ) − p(Y  a ) = F (b ) − F (a ) =  f ( y )dy
a

Observación. Note que p(Y = a ) = 0 si Y es una variable aleatoria continua, porque

a
p(Y = a ) =  f ( y )dy = 0
a

Ejemplo 3.3. Suponga que Y tiene la función de densidad

cy , si 0  y  2
f ( y) = 
0, en cualquier otro punto
a) Encontrar el valor de c que hace de f ( y ) una función de densidad de probabilidad.

b) Obtener F ( y ) .

c) Graficar f ( y ) y F ( y ) .

d) Utilizar F ( y ) para encontrar p(1  Y  2) .

e) Utilizar f ( y ) y la geometría para encontrar p(1  Y  2) .

Para encontrar el valor de c, recordemos que todas las funciones de densidad cumplen con


 f ( y )dy = 1 , pero la función de densidad está definida de maneras distintas en intervalos

−

distintos así que usamos la propiedad de aditividad de las integrales definidas

58
 0 2  0 2  2

 f ( y )dy =  f ( y )dy +  f ( y )dy +  f ( y )dy =  0dy +  cydy +  0dy = 0 +  cydy + 0 = 1

− − 0 2 − 0 0 0

(2 − 0 2 ) = 2c = 1  c =
2
c 2 c 2 1
= c  ydy =
2
y =
0
2 0 2 2

por lo que concluimos que la función de densidad es

1
 y, si 0  y  2
f (y) = 2

0, en cualquier otro punto

Figura 3.3. Gráfica de la función de densidad de

Para encontrar F ( y ) = p(Y  y ) , otra vez nos encontramos con la dificultad de que la función
de densidad está definida de distintas formas en tres intervalos diferentes, así que tendremos
que considerar tres casos.
Caso i) y  0 :
y

F (y) =  f (t )dt = 0 , porque en ese intervalo f (t ) = 0

−

Caso ii) 0  y  2 :
y 0 y y

F (y) = f (t )dt = − f (t )dt + 0 f (t )dt = 0 + 0 2 tdt = 4 t

1 1 2 1 2

y
= y
−
0 4

59
Caso iii) y  2 :
y 0 2 y 2
F (y) =  f (t )dt =  f (t )dt +  f (t )dt +  f (t )dt = 0 +  2 tdt + 0 = 4 t
1 1
=1
2
0
− − 0 2 0

Así que la función de distribución queda

0, cuando y  0
1

F ( y ) =  y 2 , si 0  y  2
4
1, si y  2

Figura 3.4. Gráfica de la función de distribución de Y.

d) p(1  Y  2 ) = F (2 ) − F (1) = (2) − (1) = 1 − 1 = 3

1 2 1 2
4 4 4 4

Ejemplo 3.4. El periodo de funcionamiento hasta su primera falla (en cientos de horas) para
cierto transistor, es una variable aleatoria Y con una función de distribución dada por

0, si y  0

F (y) = 
 − y2
1 − e , si y  0
a) Demostrar que F ( y ) tiene las propiedades de una función de distribución.

b) Obtener f ( y ) .

60
c) Calcular la probabilidad de que el transistor trabaje por lo menos durante 200 horas hasta
tener su primera falla.
a) Primero mostramos que F ( y ) tiene las propiedades de una función de distribución.

1. F (−  ) = lím F ( y ) = 0 , porque F ( y ) = 0 para todo y negativo.

y →

y → y →
(
2. F ( ) = lím F ( y ) = lím 1 − e − y = 1
2
)
3. Supongamos que F (a )  F (b) . Entonces 1 − e − a  1 − e − b
2 2

Restando uno de ambos miembros de esta desigualdad: − e − a  −e −b

2 2

Multiplicando ambos miembros por − 1 : e − b  e − a

2 2

Como la función exponencial, e − x , es decreciente en 0,  : a 2  b 2

Como la función potencia, x 2 , es creciente en el intervalo 0,  : a  b

Esto prueba que la función F ( y ) es no decreciente.

b) Para obtener f ( y ) , simplemente derivamos la función F ( y ) .

Para y  0 , f ( y ) = (0) = 0
dF d
=
dy dy

Para y  0 , f ( y ) =
dF d
=
dy dy
( )
1 − e − y = 2 ye − y
2 2


2 ye − y , si y  0
2

f (y) = 

0 , en cualquier otro punto

(
c) p(Y  2) = 1 − p(Y  2) = 1 − p(Y  2) = 1 − F (2) = 1 − 1 − e −2 = e −4
2
)
Distribución uniforme
Se dice que una variable aleatoria Y está distribuida uniformemente sobre el intervalo
a, b si su función de densidad de probabilidad está dada por
 1
 si a  y  b
f ( y) = b − a (3.7)

0 en otro caso

cuya gráfica está representada en la figura 3.5.

61
 Figura 3.5. Gráfica de una distribución uniforme definida en el intervalo a, b
Como se puede ver, a y b determinan la forma de la función de densidad pues la amplitud de
variación y la probabilidad de que Y caiga en un intervalo dado dependen de a y b. A las
constantes que tengan esta propiedad las llamaremos parámetros de la función de densidad.
Cuando una variable aleatoria Y tenga distribución uniforme con parámetros a y b, lo
denotaremos como Y U ( a, b ) .

Ejemplo 3.5. La variación en la profundidad de un río de un día para otro, medida (en
centímetros) en un sitio específico, es una variable aleatoria Y con la siguiente función de
densidad:
k si − 60  y  60
f ( y) = 
0, en cualquier otro punto
(a) Determinar el valor de k.
(b) Obtener la función de distribución para Y.

Como f ( y ) es una función de densidad, sabemos que  f ( y )dy = 1 , pero como en este caso
−

 60 60
f ( y )dy =
1

−

− 60
kdy = k  dy = ky 60
− 60
− 60 = 120k =1  k=
120

62
Como la función de densidad está definida de tres maneras distintas en tres intervalos,
tenemos que dividir en casos los cálculos.
Caso i) y  −60 :
y

F (y) =  f (t )dt = 0 , porque en ese intervalo f (t ) = 0

−

Caso ii) y   −60, 60 :

y −60 y y

F (y) = f (t )dt = f (t )dt + f (t )dt = 0 +  ( y + 60)

1 1 1
   dt = =
y
t − 60
− − − 60 − 60
120 120 120

Caso iii) y  60 :
y −60 60 y 60
F (y) =  f (t )dt =  f (t )dt +  f (t )dt +  f (t )dt = 0 +  120 dt + 0 = 120 t
1 1
=1
60
− 60
− − − 60 60 − 60

Así que la función de distribución queda como

0, cuando y  0
 1

F (y) =  ( y + 60), si − 60  y  60
120
1, si y  60

Ejemplo 3.6. El tiempo de un viaje (ida y vuelta) de los camiones que transportan el concreto
hacia una obra de construcción en una carretera, está distribuido uniformemente en un
intervalo de 50 a 70 minutos. ¿Cuál es la probabilidad de que la duración del viaje sea mayor
a 65 minutos si se sabe que la duración del viaje es mayor a 55 minutos?
Sabemos que, si definimos
Y = tiempo de un viaje, de ida y vuelta de los camiones que transportan el concreto hacia una
obra de construcción
Entonces Y U ( 50,70 ) , y su función de densidad de probabilidad es:

1
 , si 50  y  70
f ( y ) =  20

0, en cualquier otro caso
Luego, la probabilidad de que la duración del viaje sea mayor a 65 minutos si se sabe que la
duración del viaje es mayor a 55 minutos, se calcula como

63
 p (Y  65)  (Y  55)  p (Y  65) (1 20 )( 70 − 65) 5 1
p (Y  65 | Y  55) = = = = =
p (Y  55) p (Y  55) (1 20 )( 70 − 55) 15 3

Distribución normal
Se dice que una variable aleatoria Y se encuentra distribuida normalmente, con
parámetros  y  , si su función de densidad de probabilidad está dada por

 1  y −  2 
  , donde y  (− , ) ,   (− , ) y   0 (3.8)
1
f ( y) = exp  − 
 2  2    
Cuando una variable aleatoria Y tenga distribución normal con parámetros  y  , lo

indicaremos por Y N (  ,  ) . Posteriormente, cuando se definan los valores esperados de

las variables aleatorias continuas, veremos que el parámetro  será la media y  , la

desviación estándar de la variable aleatoria Y. Por lo anterior, a veces diremos que la variable
aleatoria, Y, tiene distribución normal con media  y desviación estándar  .
Los parámetros de la distribución normal  y  , determinan de manera completa la

función de densidad de probabilidad de Y. En la figura 3.6 se muestran tres gráficas de f ( y )

para distintos valores de  con  fijo y en la figura 3.7 se muestran tres gráficas de f ( y )
para distintos valores de  con  fijo.

Para cualquier par de valores  y  , f ( y ) es simétrica respecto a  y tiene forma

de campana. Derivando se encuentra que f ( y ) tiene su valor máximo en y =  y los valores

y =    son las abcisas de los puntos de inflexión de la curva.

Para calcular p(a  Y  b) tendríamos que evaluar la integral

1
b
 1  y −  2 
 2 a
exp−   dy
 2    
pero como no existe una solución exacta de esta integral, recurriremos a métodos de
aproximación por medio de tablas. Pero como no puede haber tantas tablas como valores
posibles pueden tomar los parámetros  y  , es necesario abordar el problema por otro
lado, que veremos a continuación.

64
 Figura 3.6. Gráficas de la distribución normal para distintos valores de  y  = 1 fija.

Figura 3.7. Gráficas de la distribución normal para distintos valores de  y  = 4.5 fija.

65
 Distribución normal estándar
La distribución de una variable aleatoria normal con media cero y varianza uno se
llama distribución normal estándar y se acostumbra denotarla con la letra Z. Es decir,
Z N (  = 0,  = 1) o bien, simplemente, Z N ( 0, 1)

Ahora, supongamos que queremos calcular p(a  Y  b) donde Y N (  ,  ) , es

decir, Y tiene distribución normal con media  y desviación estándar  .

Entonces,

1
b
 1  y −  2 
p (a  Y  b) = a exp − 2    dy
 2  
y−
Usando el teorema del cambio de variable, con z =  y =  + z

Diferenciando la última expresión, dy =  dz y el integrando queda en función de z.
a− b−
En cuanto a los límites, cuando y = a  z = y cuando y = b  z =
 
Entonces, la integral queda como
b−
b
 1  y −  2     1   +  z −  2 
p(a  Y  b ) =
1

 2 a
exp−   dy =
 2      2  exp− 2    dz
a−  


b−
 z2
1  1 2 1  1 
p (a  Y  b) = a− exp  − 2 z dz = 2  exp  − 2 z
2
dz (3.9)
2 z1 


a− b−
En el último paso, definimos z1 = y z2 = .
 
En resumen, a modo de receta, diremos que para calcular p(a  Y  b) donde

Y N (  ,  ) , primero se deben transformar todas las observaciones de Y en un nuevo

conjunto de observaciones de una variable aleatoria normal estándar, Z, por medio de la

ecuación. A esto le llamaremos normalizar la variable Y.
Y −
Z= (3.10)


66
Puesto que todos los valores de Y que se encuentran entre a y b tienen valores
a− b−
correspondientes de Z entre z1 = y z2 = , el área bajo la curva f ( y ) entre las
 
rectas y = a y y = b es igual al área bajo las curva f (z ) entre las correspondientes rectas

z = z1 y z = z 2 . Estas áreas bajo la curva normal estándar se encuentran en tablas.

En ocasiones se requiere hallar un valor de Z correspondiente a una probabilidad
especificada que cae entre un par de valores en las tablas. Por conveniencia, se elegirá
siempre el valor de Z que corresponde al valor tabular de probabilidad que está más próximo
a la probabilidad especificada. Pero si la probabilidad dada queda en medio de dos
probabilidades se elegirá para Z el valor situado a la mitad entre los valores correspondientes
de Z. Por ejemplo, para hallar z 0 tal que p(z  z 0 ) = 0.7975 , la cual cae entre 0.7967 y

0.7995 en las tablas, se elige z 0 = 0.83 puesto que 0.7975 está más próximo a 0.7967. Pero,

para hallar z 0 tal que p(z  z 0 ) = 0.7981, que está a la mitad entre 0.7967 y 0.7995 se toma

z 0 = 0.835

Ejemplo 3.7. Utilizar tablas para encontrar las probabilidades siguientes para una variable
aleatoria normal estándar Z.
(a) p(0  Z  1.2) (b) p(− 0.9  Z  0) (c) p(0.3  Z  1.56)

(d) p(− 0.2  Z  0.2) (e) p(− 1.56  Z  −0.2) (f) p(2  Z  10)
Ejemplo 3.8.
(a) Determinar el valor de z 0 tal que p(Z  z 0 ) = 0.5

(b) Determinar el valor de z 0 tal que p(Z  z 0 ) = 0.8643

(c) Determinar el valor de z 0 tal que p(− z 0  Z  z 0 ) = 0.90

(d) Determinar el valor de z 0 tal que p(− z 0  Z  z 0 ) = 0.99

Ejemplo 3.9. Se observó durante un largo periodo de tiempo que la cantidad semanal gastada
en el mantenimiento y en las reparaciones en cierta fábrica tiene aproximadamente una
distribución normal con una media de $4000 y una desviación estándar de $200. Si el
presupuesto para la próxima semana es de $4500, ¿cuál es la probabilidad de que los costos
reales sean mayores que la cantidad presupuestada?

67
Si definimos la variable aleatoria,
Y = cantidad semanal gastada en el mantenimiento y en las reparaciones en cierta fábrica

Sabemos que Y N ( 4000, 200 ) . Entonces, deseamos calcular p (Y  4500 ) .

Pasando de las observaciones Y a observaciones Z :

 Y −  4500 − 4000 
p (Y  4500 ) = p    = p ( Z  2.5) = 0.0062
  200 
Ejemplo 3.10. En el ejercicio anterior, ¿de cuánto tendría que ser el presupuesto para
reparaciones semanales y mantenimiento para que la cantidad presupuestada solamente se
rebasara con una probabilidad de 0.1?
En este caso, tenemos que igualar a 0.1, la probabilidad de que Y sea mayor que la cantidad
presupuestada desconocida, que denotaremos por k. Es decir, p (Y  k ) = 0.1

Ahora, pasamos las observaciones Y a observaciones Z:

 Y −  k − 4000 
p (Y  k ) = p    = 0.1
  200 
k − 4000
Esto quiere decir que el número , es el número en el eje horizontal z, que delimita
200
un área a su derecha, bajo la gráfica de la función de densidad de 0.1, lo cual denotaremos
por z0.1 y en tablas se ve que z0.1 = 1.28 .
Por lo tanto,
k − 4000
= 1.28  k = 4256
200
Así, para que los gastos semanales superen a la cantidad presupuestada con una probabilidad
de 0.1, ésta debe ser de $4256.

Aproximación de la distribución normal a la binomial

Si Y es una variable aleatoria binomial con media  = np y varianza  2 = npq ,
Y − np
entonces, la forma límite de la distribución de la variable aleatoria Z = cuando
npq
n →  , es la distribución normal estándar y, además

68
  a − np − 0.5 b − np + 0.5 
p(a  Y  b ) = p Z
 npq 
 npq

(el término 0.5 que aparece en esta fórmula es una corrección provocada por el cambio de
una distribución discreta a una continua).
Este resultado asegura que podemos utilizar la distribución normal para evaluar las
probabilidades binomiales cuando n es grande o aún en el caso de que tenga valores pequeños
siempre que p esté cerca de 1/ 2 . De manera empíricas se sabe que la aproximación es
aceptable cuando los productos np y nq son mayores que 5.

Ejemplo 3.11. La probabilidad de que un paciente se recobre de una delicada operación del
corazón es de 0.9. ¿Cuál es la probabilidad de que, de los 100 pacientes sometidos a esta
intervención, (a) sobrevivan entre 84 y 95 inclusive? (b) sobrevivan menos de 86?
Sea Y = Número de pacientes sometidos a esta intervención que sobreviven de los 100

Claramente Y b ( y; n = 100, p = 0.9 ) , así que, para el inciso (a) sería necesario calcular

p (84  Y  95) , pero como los productos np = 90 y nq = 10 , son mayores que 5, entonces

podemos aproximar Y ( )
N  = np,  = npq = N ( 90, 3) , por lo que

 84 − 0.5 − 90 Y − np 95 + 0.5 − 90 
p ( 84  Y  95 )  p    
 3 3
 npq 
El número 0.5, que se suma y se resta de los extremos es un término de corrección necesario
debido al paso de una distribución discreta (la binomial) a una continua (la normal).
Entonces, p ( 84  Y  95)  p ( −2.17  Z  1.83) = 0.9514

Función Gama
La función gama está definida por

 ( x ) =  y x −1e− y dy (3.11)
0

Propiedades de la función gama

1) Para x  1 , (x ) = (x − 1)(x − 1) = (x − 1)(x − 2)(x − 2)...

69
 2) Cuando x = n , siendo n un número entero positivo, (n) = (n − 1)!

 1 
3)  = 
 2 
Esto último se demuestra haciendo el cambio de variable y = 2w en la definición de

1 1  −1 2 
la función gama para x =
2
y sabiendo que
2  exp 2
x dy = 1

−

Distribución gama
La variable aleatoria continua Y tiene distribución gama, con parámetros  y  , si
su función de densidad está dada por
 1  −1 − y 
  y e si y  0
f ( y) =  ( ) , donde   0 y   0 (3.12)
0
 en otro caso

Cuando una variable aleatoria Y, tenga distribución gama con parámetros  y  , lo

denotaremos como Y  ( ,  ) En la figura 3.8 aparecen tres gráficas de la función gama

para valores distintos de  y  .

Ejemplo 3.12. En una cierta ciudad, el consumo diario de agua (en millones de litro) tiene
aproximadamente una distribución gama con  = 2 y  = 3 . Si el suministro de agua diario
para esta ciudad es de 9 millones de litros de agua, ¿cuál es la probabilidad de que en un día
dado el suministro de agua sea insuficiente?
Definamos la variable aleatoria
Y = consumo de agua diario, en millones de litros, de cierta ciudad

Entonces, Y  ( = 2,  = 3) y deseamos calcular p (Y  9 ) .

  
1 1 1
p (Y  9 ) =   y −1e− y  dy =  2 y 2−1e− y 3dy =  ye− y 3dy
9
  ( ) 9
3  ( 2) 99

Después de integrar por partes, tenemos

 
1  y  y
p (Y  9 ) = − y exp  −  − exp  − 
3  39  39
Ahora, tomamos límites

70
p (Y  9 ) = −
1
3
( 0 − 9 exp ( −3) ) − ( 0 − exp ( −3) ) = 3exp ( −3) + exp ( −3) = 4 exp ( −3) = 0.1991

Figura 3.8. La distribución gama para distintos valores de  y  .

Distribución Ji – cuadrada
(Es la distribución gama especial para la cual  =  2 y  = 2 )
La variable aleatoria continua Y tiene distribución ji – cuadrada con  grados de
libertad si su función de densidad está dada por
 1  2 −1 − y 2
 2 2   2 y e si y  0
f ( y) =  ( ) , donde  es un entero positivo (3.13)
0 en cualquier otro caso

Cuando una variable aleatoria Y tenga distribución ji – cuadrada con  grados de libertad,
escribiremos, Y  2 ( ) . En la figura 4.9 aparece la función Ji – cuadrada para 2, 3 y 4
grados de libertad.

71
 Figura 3.9. La función Ji-cuadrada para  = 2, 3 y 4 grados de libertad.

Distribución exponencial
(Es la distribución gama especial para la cual  = 1 )
La variable aleatoria continua Y tiene distribución exponencial con parámetro  , si
su función de densidad está dada por
 1 −y 
 e si x  0
f ( y) =   , donde   0 (3.14)
0 en cualquier otro caso

En la figura 3.10 se presentan las gráficas de la distribución exponencial para  = 1, 2 y 4 .
Ejemplo 3.13. La vida en años de un cierto tipo de interruptor eléctrico tiene una distribución
exponencial con parámetro,  = 2. Si 100 de estos interruptores se instalan en diferentes
sistemas, ¿cuál es la probabilidad de que a lo más 30 fallen durante el primer año?
En este problema se trata de dos variables aleatorias, que son
Y = Vida en años de un cierto tipo de interruptor eléctrico , que es una variable aleatoria que

tiene distribución exponencial con  = 2, y la variable aleatoria X, definida como:

72
X = Número de interruptores, de entre los 100, que fallan durante el primer año ,

que tiene una distribución binomial, con n = 100 y parámetro p = p (Y  1) .

Entonces, calculamos primero el parámetro p de la distribución binomial:

1
 y  y  y
1 1 1
1 1 −
p (Y  1) =  exp  −  dy =  exp  −  dy = − exp  −  = 1 − e 2 = 0.3935
2 −  2 20  2  20

Figura 3.10. La distribución exponencial para  = 1, 2 y 4 .

Después de este cálculo, sabemos que X b ( y; n = 100, p = 0.3935) , aunque podemos

aproximar ésta por una distribución normal porque los productos

np = (100 )( 0.3935) = 39.35 y nq = (100 )(1 − 0.3935) = 60.65 , son mayores que 5.

 X − np 30 + 0.5 − 39.35 
Entonces, p ( X  30 )  p    = p ( Z  −4 )  0
 npq
 4.8853 

73
 Distribución de Weibull
La variable aleatoria continua Y tiene distribución de Weibull con parámetros  y 
, si su función de densidad está dada por
  y  −1 exp ( − y  ) si y  0
f ( y) =  , donde   0 y   0 (3.15)
 0 en cualquier otro caso

En caso de que una variable aleatoria tenga distribución de Weibull, con parámetros  y 

, lo indicaremos escribiendo Y W ( ,  ) . En la figura 3.11 se muestran la distribución de

Weibull para distintos valores de  y  .

Figura 3.11. La distribución de Weibull para distintos valores de  y  .

Ejemplo 3.14. Suponga que la vida útil, en años, de una pila eléctrica para un audífono de
sordera es una variable aleatoria que tiene una distribución de Weibull con  = 1 2 y  = 2
. ¿Cuál es la probabilidad de que la pila esté operando aun después de 2 años?
Sea Y = Vida útil, en años, de una pila eléctrica de un aparato de sordera .
Entonces Y tiene función de densidad

74
   1 2
 y exp  − y  si y  0
f ( y) =   2  donde   0 y   0
0 en cualquier otro caso

Para calcular la probabilidad de que la pila dure más de 2 años,
 M
 1   1    1  
M
p (Y  2 ) =  y exp  − y 2  dy = lím  y exp  − y 2  dy = lím − exp  − y 2  dy  =
2  2  M →
2  2  M →
  2  2

  1   1 
p (Y  2 ) = − lím exp  − M 2  − exp  − 22   = exp ( −2 ) = 0.1353
M →
  2   2 

Distribución beta
La variable aleatoria continua Y tiene distribución de probabilidad beta con
parámetros  y  , si su función de densidad está dada por

  ( +  )  −1
y (1 − y ) si 0  y  1
 −1

f ( y ) =   ( )  (  ) (3.16)
0
 en cualquier otro punto

donde  y  son mayores que cero.

Cuando una variable aleatoria Y tenga distribución beta con parámetros  y  , lo

denotaremos como: Y  ( ,  ) . Esta distribución se utiliza frecuentemente como un

modelo para fracciones, tal como la proporción de impurezas en un producto químico o la

fracción de tiempo que una máquina está en reparación y se presentan algunas gráficas en la
figura 3.12.
Ejemplo 3. 15. Si la proporción anual de restaurantes nuevos que fracasan en una ciudad
determinada puede verse como una variable aleatoria que tiene una distribución beta con
 = 1 y  = 4 , hallar la probabilidad de que, al menos 25% de todos los nuevos restaurantes
fracasen en esta ciudad en cualquier año.
Sea Y = proporción de restaurantes nuevos que fracasan al año en una ciudad determinada.

Entonces, Y B (1, 4 ) y su función de densidad de probabilidad es

  ( 5)
(1 − y ) si 0  y  1
3

f ( y ) =   (1)  ( 4 )
0
 en cualquier otro punto

75
Pero de las propiedades de la función gama, sabemos que  ( 5) = 4! ,  ( 4 ) = 3! y  (1) = 1 ,

por lo que la función de densidad queda como

4 (1 − y )3 si 0  y  1
f ( y) = 
0 en cualquier otro punto
1 1
Así, p (Y  0.25) =  4 (1 − y ) dy = − (1 − y )  = 0.31641
3 4
  0.25
0.25

Figura 3.12. La distribución Beta para distintos valores de  y  .

Valor esperado de una variable aleatoria continua

Sea Y una variable aleatoria continua con función de densidad f ( y ) . La media o
valor esperado de Y se define como

 = E (Y ) =  yf ( y ) dy (3.17)
−

siempre que exista la integral.

76
 Valor esperado de una función de una variable aleatoria continua
Sea Y una variable aleatoria continua con función de densidad f ( y ) . La media o

valor esperado de variable aleatoria g (Y ) se define como


 g (Y ) = E  g (Y ) =  g ( y ) f ( y ) dy (3.18)
−

siempre que exista la integral.

Varianza y desviación estándar de una variable aleatoria continua

Sea Y una variable aleatoria continua con función de densidad f ( y ) y media  . La
varianza de Y se define como

 2 = V (Y ) = E (Y −  )  =  ( y −  ) f ( y ) dy
2 2
(3.19)
 
−

La desviación estándar de Y ,  , es la raíz cuadrada positiva de la varianza de Y , o sea


 = V ( Y ) = E ( Y −  )  =  ( y −  ) f ( y ) dy
2 2
(3.20)
 
−

Propiedades del valor esperado de una variable aleatoria continua

Teorema 3.1. Sea c una constante. Entonces E(c ) = c

Teorema 3.2. Sea f (Y ) una función de una variable aleatoria Y y sea c una constante.

Entonces, Ecf (Y ) = cE f (Y )

Teorema 3.3. Sean las n funciones, f1 (Y ), f 2 (Y ), ..., f n (Y ) , de la variable aleatoria Y.

Entonces, E f1 (Y ) + f 2 (Y ) + ... + f n (Y ) = E f1 (Y ) + E f 2 (Y ) + ... + E f n (Y )


Teorema 3.4.  2 = V (Y ) = E (Y −  ) = E Y 2 −  2
2
 ( )
A continuación, presentamos una tabla donde aparecen los valores esperados o medias de
algunas de las variables aleatorias continuas comunes omitiendo la demostración.

77
 Distribución Función de densidad Media Varianza
Uniforme  1
si a  y  b
a+b (b − a )2

f (y) = b − a 2 12
0 en otro caso

Normal  1  y −  2   2
f (y) =
1
exp −   
 2  2    

Gama  1   2
  y  −1e − y  , para y  0
f ( y ) =   ( )
0
 en otro caso

Exponencial  1 −y   2
 e si y  0
f (y) =  
0 en otro caso

Ji cuadrada  1  2
 2 y 2−1e − y 2 si y  0
f ( y ) =  2 ( 2)
0
 en otro caso

Weibull
f (y) = 
( )
y  −1 exp − y  si si y  0 
 −1  1 +
1

 Weibull
2

0 en otro caso   

 ( +  )  −1   beta
2
Beta
y (1 − y ) si 0  y  1
 −1

f ( y ) =  ( )( ) +
0
 en cualquier otro punto

  2   1  
2


donde  2
= −2 
1 +  − 1 +   y  beta
2
=
Weibull
        
 ( +  ) ( +  + 1)
2

Ejemplo 3.16. Refiriéndose al problema 3.14, ¿Cuánto tiempo se espera que dure la pila?
 1 
Sabemos, de la tabla anterior, que si Y W  = ,  = 2  ,
 2 
−1 2
1  1 3 2 1 2
E (Y ) =    1 +  = 2   =   = = 1.25 años
2  2 2 2 2 2
Ejemplo 3.17. En el problema 3.15, hallar el valor esperado de la proporción anual de nuevos
restaurantes que se espera que fracasen en esta ciudad.

78
  1
Como Y  ( = 1,  = 4 ) , de la tabla, E (Y ) = = = 0.20
 + 5
Entonces, podemos esperar que el 20% de los restaurantes nuevos fracasen durante su primer
año en esa ciudad.

Teorema de Tchebysheff
Sea Y una variable aleatoria con una media finita  y desviación estándar  .
Entonces, para cualquier constante positiva k,
1
p (| Y −  | k )  1 − (3.21)
k2
o equivalentemente, y debido al teorema 1.7,
1
p (| Y −  | k )  (3.22)
k2
Este resultado puede utilizarse para obtener un límite inferior de la probabilidad de que la
variable aleatoria de interés Y caiga en un intervalo de la forma   k
Ejemplo 3.18. Sea Y una variable aleatoria con media 11 y varianza 9. Utilice el teorema de
Tchebysheff para encontrar:
(a) Un límite inferior para p(6  Y  16)

(b) El valor de C tal que p(Y − 11  C)  0.09

1
(a) El teorema de Tchebysheff afirma que p(| Y −  | k )  1 − , o lo que es lo
k2
mismo, por las propiedades del valor absoluto:
1
p ( − k  Y −   k ) = p (  − k  Y   + k )  1 −
k2
Y, si comparamos con la probabilidad que se quiere acotar, p(6  Y  16) , resulta que
 − k = 11 − 3k = 6 y  + k = 11 + 3k = 16 .
5
De cualquiera de estas ecuaciones, concluimos que k= . Luego,
3
1 9 16
p ( 6  Y  16 )  1 − = 1− = = 0.64
( 5 3)
2
25 25

Así pues, resulta que 0.64 es una cota inferior para p ( 6  Y  16 ) .

79
(b) Ahora, como queremos el valor de C, tal que p(Y − 11  C)  0.09 y el teorema de

Tchebysheff afirma que p(| Y −  | k ) 

1 1
, resulta que = 0.09 y C = k = 3k .
k2 k2
1 10  10 
Despejando, k 2 =  k= , y por lo tanto, C = 3k = 3   = 10 .
0.09 3 3
Ejemplo 3.19. Suponga que aproximadamente el 35% de personas que hacen su solicitud
para trabajar, falsifican la información en sus formas de solicitud. Si una compañía tiene
2,300 empleados,
(a) ¿Cuál es el valor esperado del número Y de formas de solicitud que han sido falsificadas?
(b) Encuentre la desviación estándar de Y.
(c) Calcule el intervalo   2
(d) Suponga que la compañía pidió a una agencia investigadora de antecedentes que verifique
la información en las 2,300 formas de solicitud y que 259 formas tuvieron información
falsificada. ¿Piensa que el porcentaje de formas falsificadas de la compañía está de
acuerdo con la afirmación de que el 35% de todas las personas que hacen su solicitud
falsifican la información en sus solicitudes? Explique, usando el teorema de Tchebysheff.
Ejemplo 3.20. Una máquina que se utiliza para llenar cajas de cereales, descarga en promedio
 onzas por caja. El fabricante quiere que la descarga real en onzas, Y, quede a menos de
una onza de  al menos en 75% de las veces. ¿Cuál es el mayor valor de  , la desviación
estándar de Y, que se puede admitir si deben cumplirse los objetivos del fabricante?
Lo que el fabricante quiere es que p ( Y −   1)  0.75 .

1
Como el teorema de Tchebysheff, afirma que p(| Y −  | k )  1 − , entonces hay
k2
que resolver el sistema de ecuaciones:
1
k = 1 y 1 − = 0.75
k2
1 1 1
De donde obtenemos, k 2 =  k=2 y  = =
0.25 k 2
que es el máximo valor para la desviación estándar que se puede admitir para que se cumplan
los objetivos del fabricante.

80