Capitulo 4 - Normal PDF

Contenido
4 Variables aleatorias continuas y distribuciones de probabilidad 2

4.1 Distribuciones de probabilidad para variables aleatorias continuas . . . . 3
4.2 Esperanza y varianza de una variable aleatoria continua . . . . . . . . . 15
4.2.1 Esperanza de una variable aleatoria . . . . . . . . . . . . . . . . 15
4.2.2 Varianza de una variable aleatoria . . . . . . . . . . . . . . . . 17
4.3 La distribución uniforme (continua) . . . . . . . . . . . . . . . . . . . . 23
4.4 La distribución normal . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.5 Las distribuciones gamma y exponencial . . . . . . . . . . . . . . . . . 40
4.6 Uso de Statgraphics para trabajar con distribuciones continuas . . . . . 50
✍ Ejercicios complementarios . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Respuestas a ejercicios impares seleccionados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

CAPÍTULO 4
Variables aleatorias continuas y

distribuciones de probabilidad
Contenido
4.1 Distribuciones de probabilidad para variables aleatorias

continuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
4.2 Esperanza y varianza de una variable aleatoria continua 15
4.2.1 Esperanza de una variable aleatoria . . . . . . . . . . . . . 15
4.2.2 Varianza de una variable aleatoria . . . . . . . . . . . . . . 17
4.3 La distribución uniforme (continua) . . . . . . . . . . . . 23
4.4 La distribución normal . . . . . . . . . . . . . . . . . . . . 25
4.5 Las distribuciones gamma y exponencial . . . . . . . . . 40
4.6 Uso de Statgraphics para trabajar con distribuciones
continuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
✍ Ejercicios complementarios . . . . . . . . . . . . . . . . . . . 51
4.1 Distribuciones de probabilidad para variables aleatorias continuas 3
☞ Objetivos del capı́tulo

1. Distinguir el concepto de variable aleatoria continua.
2. Facilitar la comprensión de los conceptos básicos de las distribuciones continuas de
probabilidad.
3. Desarrollar el concepto de esperanza y varianza de una variable aleatoria continua.
4. Presentar aplicaciones de algunas distribuciones continuas en casos concretos.
☞ Empleo de la estadı́stica
≪Un gran fabricante de ropas, desea estudiar la distribución en la estatura de las
personas. Esta empresa reconoció que el público estaba en constante cambio en su
tamaño fı́sico y en sus proporciones. En un esfuerzo por producir la ropa de mejor
ajuste, la gerencia sintió que se necesitaba un análisis completo de las tendencias
actuales en los tamaños de moda. Se supone que si el fabricante fuera a medir
las estaturas de todos sus clientes potenciales, encontrarı́a que las estaturas están
distribuidas normalmente alrededor de una media de 67 pulgadas.≫
4.1 Distribuciones de probabilidad para variables aleato-

rias continuas
Variables aleatorias continuas
En la definición ?? se ha dicho que una variable aleatoria es continua si y sólo si
tiene una cantidad infinita no enumerable de valores. Ası́ mismo, en ese capı́tulo, más
especı́ficamente, en el ejemplo ?? se han presentado algunos tipos de variables aleatorias
que son continuas. En general, se ajustan naturalmente en esta categorı́a las medidas
de tiempo, distancia o temperatura. En estos casos, la probabilidad de que la variable
aleatoria tome un determinado valor1 es cero.
También resulta conveniente considerar como continuas las variables aleatorias que
siendo discretas se miden en una rejilla de valores tan fina, que la probabilidad de
cada valor especı́fico es despreciable. Por ejemplo, si estudiamos la deuda en la que in-
curren los estudiantes de un programa de maestrı́a, la deuda será ciertamente un número
entero de pesos. A pesar de ello, la probabilidad de que un estudiante elegido al azar
se haya endeudado en exactamente $2.345.425 es suficientemente pequeña como para
considerar la variable aleatoria como continua (compárese con el teorema 4.1.7).
A pesar de que no tiene sentido asignar probabilidad a valores especı́ficos de una variable
aleatoria continua, sı́ podemos estar interesados en la probabilidad de que la variable
pertenezca a un determinado intervalo. Por ejemplo, puede ser útil calcular la probabili-
dad de que un auto recorra entre 12 y 15 kilómetros por litro de gasolina o la probabilidad
de que la deuda de un estudiante de maestrı́a esté entre $1.000.000 y $2.000.000. Por
tanto, para caracterizar la distribución de probabilidad de una variable aleatoria continua,
1
Por ejemplo, la probabilidad de que un auto recorra exactamente 10,15 kilómetros por litro de
gasolina es igual a cero.
una forma natural de empezar (como hicimos en la introducción de variables aleatorias

discretas) es con la idea de la función de probabilidad (que en el caso de las variables
continuas, recibe el nombre de función de densidad). Este concepto nos servirá como
base para calcular la probabilidad de que una determinada variable aleatoria sea menor
o igual que un valor especı́fico.
Densidad y función de distribución acumulada

De acuerdo a la definición ??, la función de probabilidad de una variable aleatoria dis-
creta, expresa la probabilidad de que la variable tome un valor especı́fico. Este concepto
no es relevante en el caso de variables aleatorias continuas, ya que, como veremos
más adelante, en este caso la probabilidad de obtener un valor especı́fico es 0. Sin
embargo, puede construirse una función análoga para variables aleatorias continuas, lla-
mada función de densidad, que permita la interpretación gráfica de la estructura de la
probabilidad.
Definición 4.1.1 Una función f : R −→ [0, ∞) se dice que es una función de

densidad de una variable aleatoria continua X si cumple las siguientes dos condi-
ciones:
Rb
(a) P(a ≤ X ≤ b) = f(x) dx, para todo a y b reales.
a
∞
R
(b) El área bajo toda la gráfica de f es 1, es decir, f(x) dx = 1.
−∞
Ejemplo 4.1.2 Determine si las siguientes funciones son posibles ejemplos de densidades
de una variable aleatoria continua X.

1 x
2 , si 0 ≤ x ≤ 2, , si 0 ≤ x ≤ 2,
(a) f(x) = (b) g(x) = 5
0, de otro modo; 0, de otro modo;

e−x , si x ≥ 0, −ex , si x ≥ 0,
(c) h(x) = (d) r(x) =
0, de otro modo; 0, de otro modo;
siendo e la base del logaritmo natural.
SOLUCION:
Las funciones definidas en (a), (b) y (c) son no negativas para todo x real. En cambio, de-
bido a que r(0) = −1, podemos afirmar que la función r definida en (d) no es una densidad.
Verifiquemos si f, g y h son posibles densidades. Para ello, faltarı́a verificar la condición (b)
de la definición 4.1.1. Debido a que

∞ Z2
1 2
Z
1 1
f(x) dx = dx = x = (2 − 0) = 1;
2 2 0 2
−∞ 0
∞ Z2
1 x2 2
Z
x 1 2
g(x) dx = dx = · = (2 − 0) = 6= 1;
5 5 2 0 5 5
−∞ 0
∞ ∞
Z Z ∞

h(x) dx = e−x dx = −e−x = −(0 − e−0 ) = 1.
0
−∞ 0
Por consiguiente, f y h son posibles densidades, pero g no lo es (observemos que la segunda

condición de la definición 4.1.1 no se cumple). ◭
Al igual que en el caso discreto, hay muchas situaciones en los cuales deseamos calcu-
lar la probabilidad de que el valor observado de una variable aleatoria continua X sea
menor o igual a algún número real t. Escribiendo como antes F(t) = P(X ≤ t) para
cada número real t, entonces, se dice que F es la función de distribución acumulada o,
simplemente, la función de distribución de X.
Definición 4.1.3 La función de distribución (acumulada) de una variable

aleatoria continua X, cuya densidad es f, es una función F : R −→ [0, 1] definida por
Zt
F(t) = P(X ≤ t) = f(x) dx, para todo t real.
−∞
La definición anterior dice que que la distribución acumulada F de X nos da la probabilidad de que
X tome un valor en el intervalo (−∞, t], la cual es el área bajo la gráfica de la función de densidad
f (véase la figura 4.1).
Fig. 4.1: El área sombreada es la probabilidad P(X ≤ t) de que la variable X sea

menor o igual que t
Cálculo de probabilidades y de F a partir de f

Ejemplo 4.1.4 Sea dada la siguiente densidad de una variable aleatoria continua X (véase
el ejemplo 4.1.2a):
1
, si 0 ≤ x ≤ 2,
f(x) = 2
0, de otro modo.
(a) Construya la función de distribución F correspondiente.

(b) Halle la probabilidad de que X tome un valor menor o igual que 1.
1
(c) Halle la probabilidad de que X tome un valor mayor que 5.
(d) Grafique las funciones f y F.
SOLUCION:
(a) Consideremos varios casos:
• Tomemos cualquier t < 0. Debido a que f(x) = 0, para todo x ≤ t < 0, tenemos
que
Zt Zt
F(t) = f(x) dx = 0 dx = 0.
−∞ −∞
• Ahora, tomemos cualquier t tal que 0 ≤ t ≤ 2. Debido a que f(x) = 12 , para todo
0 ≤ x ≤ t ≤ 2, se tiene
Zt Z0 Zt Z0 Zt
1 t
F(t) = f(x) dx = f(x) dx + f(x) dx = 0 dx + dx = .
2 2
−∞ −∞ 0 −∞ 0
• Por último, escojamos un t > 2. Debido a que f(x) = 0, para todo 2 < t ≤ x, y
teniendo en cuenta la condición (b) de la definición 4.1.1, obtenemos que
Zt ∞
Z ∞
Z ∞
Z ∞
Z
F(t) = f(x) dx = f(x) dx − f(x) dx = f(x) dx − 0 dx = 1.
−∞ −∞ t −∞ t
Considerando los tres casos anteriores, podemos afirmar que la función de distribución
correspondiente de X está dada por

0, si t < 0,

F(t) = 2t , si 0 ≤ t ≤ 2,


1, si t > 2.
(b) Nos piden calcular P(X ≤ 1), que está dada por
Z1 Z0 Z1 Z0 Z1
1 1
P(X ≤ 1) = f(x) dx = f(x) dx + f(x) dx = 0 dx + dx = .
2 2
−∞ −∞ 0 −∞ 0
Observemos que esta probabilidad la podemos calcular de otra manera (sin resolver
integral y con ayuda de F):
1
P(X ≤ 1) = F(1) = .
2
(c) En la parte (c) nos piden calcular P(X > 1/5), que está dada por
Z2 ∞
Z Z2 ∞
Z
1 1 1 9
P(X > 1/5) = f(x) dx + f(x) dx = dx + 0 dx = 2− = .
2 2 5 10
1/5 2 1/5 2
Observe que esta probabilidad también la podemos calcular de otra manera (sin resolver
integral y nuevamente con ayuda de F):
1/5 9
P(X > 1/5) = 1 − P(X ≤ 1/5) = 1 − F(1/5) = 1 − = .
2 10
(d) Las representaciones gráficas de f y F son como se muestran en la figura 4.2.
(a) Gráfica de f (b) Gráfica de F
Fig. 4.2: Densidad f y función de distribución F del ejemplo 4.1.4. ◭
Ejemplo 4.1.5 Sea dada la siguiente densidad de una variable aleatoria continua X (véase
el ejemplo 4.1.2c):
e−x , si x ≥ 0,
h(x) =
0, de otro modo,
(a) Construya la función de distribución F correspondiente.
(b) Calcule la probabilidad de que X tome un valor menor o igual que 5.
(c) Calcule la probabilidad de que X tome un valor mayor que −1.
(d) Grafique h y F.
SOLUCION:
Si t < 0, entonces, f(x) = 0, para todo x ≤ t < 0 y, por consiguiente, F(t) = 0. Si t ≥ 0,
entonces, la función de distribución correspondiente de X es
Zt Zt t

F(t) = h(x) dx = e−x dx = −e−x = −(e−t − e−0 ) = 1 − e−t .
0
−∞ 0
Por consiguiente,
1 − e−t , si t ≥ 0,
F(t) =
0, de otro modo.
En la parte (b) nos piden calcular P(X ≤ 5), que está dada por
Z0 Z5 5

P(X ≤ 5) = 0 dx + e−x dx = −e−x = −(e−5 − e−0 ) = 1 − e−5 .
0
−∞ 0
Observemos que esta probabilidad la podemos calcular de otra manera (sin resolver integral
y con ayuda de F):
P(X ≤ 5) = F(5) = 1 − e−5 .
En la parte (c) nos piden calcular P(X > −1), que está dada por
−1
Z −1
Z
P(X > −1) = 1 − P(X ≤ −1) = 1 − h(x) dx = 1 − 0 dx = 1 − 0 = 1.
−∞ −∞
Esta probabilidad también la podemos calcular de otra manera (sin resolver integral y nue-
vamente con ayuda de F):
P(X > −1) = 1 − P(X ≤ −1) = 1 − F(−1) = 1 − 0 = 1.
Las representaciones gráficas de h y F son como se muestran en la figura 4.3.
(a) Gráfica de h (b) Gráfica de F
Fig. 4.3: Densidad h y función de distribución F del ejemplo 4.1.5. ◭
Propiedades de la función de distribución acumulada

Es importante observar que, a diferencia del caso de variables aleatorias discretas, la
función de distribución acumulada de una variable continua no tiene la forma de función
escalonada (como lo muestran las figuras 4.2 y 4.3). De todas formas, en el caso con-
tinuo también satisface algunas propiedades importantes como en el caso discreto. Estas
se encuentran en el siguiente teorema (compárese con el teorema ??).
Teorema 4.1.6 Sea X una variable aleatoria continua con función de distribución
acumulada F. Entonces,
(a) 0 ≤ F(t) ≤ 1, para todo número real t.
(b) Si a y b son dos números reales con la propiedad de que a ≤ b, entonces, debe
cumplirse que F(a) ≤ F(b). Es decir, F es creciente.
Probabilidad de que una variable continua tome un valor especı́fico

Teniendo en cuenta la parte (a) de la definición 4.1.1, obtenemos
Zc
P(X = c) = P(c ≤ X ≤ c) = f(x) dx = 0,
c
para todo c real. Ahora, cuando X es continua, por ejemplo, tenemos que
P(a < X ≤ b) = P(a < X < b) + P(X = b) = P(a < X < b) + 0 = P(a < X < b).
En resumen, tenemos el siguiente teorema:
Teorema 4.1.7 Sea X una variable aleatoria continua. Entonces, para todo c real
se cumple que P(X = c) = 0. Con esto, podemos verificar que
P(a ≤ X ≤ b) = P(a < X ≤ b) = P(a < X < b) = P(a ≤ X < b),
para todo a y b reales.
Ejemplo 4.1.8 Sea X la variable aleatoria que representa al diámetro de un agujero ta-
ladrado en un componente metálico. El diámetro especificado es 12,5 milı́metros. La
mayorı́a de las perturbaciones aleatorias del proceso resultan en diámetros mayores. Datos
históricos indican que la distribución de X puede modelarse con la función de densidad
f(x) = 20e−20(x−12,5) , si x ≥ 12, 5 y f(x) = 0, de otro modo.
(a) Si un componente con un diámetro mayor que 12,60 milı́metros se desecha, ¿qué pro-
porción de los componentes se desecha?
(b) ¿Qué proporción de los componentes tiene entre 12,5 (no inclusive) y 12,6 (inclusive)
milı́metros?
SOLUCION:
(a) Un componente se desecha si X > 12, 60. Entonces,

∞
Z Zb
P(X > 12, 60) = f(x) dx = lim 20e−20(x−12,5) dx
b→ ∞
12,60 12,60
b
−20(x−12,5)
= − lim e = lim − e−20(b−12,5) + e−20(12,6−12,5)
b→ ∞ 12,6 b→ ∞
−20(12,6−12,5) −2
= e = e = 0, 135.
(b) teniendo en cuenta el teorema 4.1.7 y la definición 4.1.1, obtenemos

12,6
Z
P(12, 5 < X ≤ 12, 6) = P(12, 5 ≤ X ≤ 12, 6) = f(x) dx
12,5
12,6

= −e−20(x−12,5) = − e−20(12,6−12,5) − e−20(12,5−12,5)
12,5
= 0, 865. ◭
Uso de F para calcular probabilidades

Aquı́, la importancia de la distribución acumulada F de una variable aleatoria continua
X, al igual que para las variables aleatorias discretas, es que podemos calcular la pro-
babilidad de que X tome valores en un intervalo dado partiendo de que se conoce F
(compárese el siguiente teorema con el teorema ??).
Teorema 4.1.9 Sea X una variable aleatoria continua, f y F sus correspondientes

densidad y función de distribución acumulada. Entonces,
(a) Para todo a y b reales, se tiene que
P(a ≤ X ≤ b) = F(b) − F(a).
(b) Para todo a real, se tiene que
P(X > a) = 1 − P(X ≤ a) = 1 − F(a).
Ejemplo 4.1.10 (a) Teniendo en cuenta el ejemplo 4.1.4a, encontramos que
1 1 2
P(1/5 < X ≤ 1) = F(1) − F(1/5) = − = .
2 10 5
(b) Teniendo en cuenta el ejemplo 4.1.5, encontramos que
P(X > 5) = 1 − P(X ≤ 5) = 1 − F(5) = 1 − (1 − e−5 ) = e−5 = 0, 0067. ◭
Obtención de f a partir de F
Para X discreta, la función de probabilidad se obtiene de la función de distribución
acumulada si se toma la diferencia entre dos valores (compárese con la parte (c) del
teorema ??). En el caso continuo, el procedimiento es totalmente diferente. En este
caso, bajo ciertas condiciones, la función de densidad se obtiene derivando la función de
distribución.
Teorema 4.1.11 Sea X una variable aleatoria continua, f y F sus correspondientes

densidad y función de distribución acumulada, respectivamente. Entonces, se
cumple que f(x) = F ′ (x) para todo valor de x en donde exista la derivada.
Aquı́, F ′ (t) significa la derivada de F con respecto a la variable t.
Ejemplo 4.1.12 La función de distribución para una variable aleatoria continua X es

1 − e−2t , si t ≥ 0;
F(t) =
0, si t < 0.
Halle la función de densidad f de X y P(−3 < X ≤ 4).

SOLUCION:
Aplicando el teorema 4.1.11, la función de densidad f coincide con la derivada de F en los
puntos donde esta derivada existe. Es decir, en este caso, f está definida por
−2t
2e , si t > 0;
f(t) = F ′ (t) =
0, si t < 0.
Observamos que, en la expresión encontrada para f, el punto t = 0 se excluye. Esto debe

ser ası́ porque allı́ la derivada de F no existe, como verificamos a continuación:2
• Sea F ′ (0+) la derivada lateral de F a la derecha de t = 0. Entonces, como F(t) =
1 − e−2t para t ≥ 0, se tiene que F ′ (t) = 2e−2t . Por consiguiente, F ′ (0+) = 2.
• Sea F ′ (0−) la derivada lateral de F a la izquierda de t = 0. Entonces, como F(t) = 0
para t < 0, se tiene que F ′ (t) = 0. Por consiguiente, F ′ (0−) = 0.
Como F ′ (0+) 6= F ′ (0−), entonces, F ′ (0) no existe.
Ahora, calculemos la probabilidad pedida:
P(−3 < X ≤ 4) = F(4) − F(−3) = (1 − e−8 ) − 0 = 0, 9996. ◭
Percentiles de una distribución continua

Cuando decimos que el ingreso salarial de un individuo estuvo en el 85-ésimo percentil
de una empresa, queremos decir que 85% de los ingresos de toda la empresa estuvieron
por debajo de ese salario y 15%, por encima (compárese con el ejemplo ??).
2
El punto t = 0 es el punto de referencia puesto que allı́ la recta real se “divide” en los t ≥ 0 y
los t < 0. Por esto, debemos calcular la derivada lateral de F a la derecha de t = 0 (es decir, cuando
t ≥ 0) y a la izquierda de t = 0 (es decir, cuando t < 0).
Definición 4.1.13 Sea p ∈ [0, 100] un número real. El p-ésimo (punto) per-
centil de la distribución F de una variable aleatoria continua X, denotado por
η(p), está definido por
η(p)
Z
p
= F η(p) = f(x) dx.
100
−∞
El 50-ésimo (punto) percentil de la distribución F de X se llama la medianade F y,

e.
en este caso, se denotará por µ
Notemos que la mediana µ e satisface 0, 5 = F(e µ). Esto es, la mitad del área bajo la gráfica
e.
e y la otra mitad a la derecha de µ
de la densidad de X está a la izquierda de µ
Según la definición 4.1.13, η(p) es el valor en el eje de medición, tal que p % del área
bajo la gráfica de f está a la izquierda de η(p) y p % está a la derecha. La figura 4.4
ilustra la definición 4.1.13
(a) (b)
Fig. 4.4: El p-ésimo (punto) percentil de una distribución continua


0,
 si t < 0,
F(t) = 2t , si 0 ≤ t ≤ 2,


1, si t > 2.
e
µ
e de F satisface la relación 0, 5 = F(e
Entonces, la mediana µ µ). Es decir, 0, 5 = 2, de donde
e
µ = 1. ◭

1 − e−2t , si t ≥ 0;
F(t) =
0, si t < 0.
Ahora, la mediana µ µ). Es decir, 0, 5 = 1 − e−2eµ o, que

e de F satisface la relación 0, 5 = F(e
es equivalente, 0, 5 = e−2e
µ
. Resolviendo esta ecuación, obtenemos que µ e = ln22 . ◭
✍ Ejercicios de la sección 4.1

1. Considere la función de densidad de una variable aleatoria continua X:
√
k x + 1, si 0 < x < 1,
f(x) =
0, de otro modo.
Encuentre el valor de k.
2. La proporción de personas que responden a cierta encuesta enviada por correo es una
variable aleatoria continua X que tiene la función de densidad

2(x+1)
3 , si 0 < x < 1,
f(x) =
0, de otro modo.
(a) Haga un bosquejo de la gráfica de f.

(b) ¿Cuál es la probabilidad de que la proporción de personas que responden a cierta
encuesta enviada por correo sea mayor del 40%? ¿Esté entre el 30% y 80%?
(c) Construya F.
3. El número total de horas, medidas en unidades de 10 horas, que una familia utiliza una
lavadora en un perı́odo de 6 meses es una variable continua X con función de densidad

x,
 si 0 < x < 1,
f(x) = 2 − x si 1 ≤ x < 2,


0, de otro modo.
(a) Haga un bosquejo de la gráfica de f.

(b) ¿Cuál es la probabilidad de que en un perı́odo de 6 meses, una familia utilice su
lavadora menos de 15 horas? ¿Entre 5 y 12 horas?
(c) Construya F.
4. Una variable aleatoria continua X tiene una función de densidad dada por f(x) = 1/4 si
puede tomar valores entre x = 2 y x = 6; y f(x) = 0, de otra forma.
(a) Haga un bosquejo de la gráfica de f y demuestre que el área bajo la curva es igual a
1.
(b) Encuentre P(2 ≤ X < 5) y P(X > 4).
(c) Halle F y grafı́quela.
5. Suponga que la temperatura de reacción (en grados centı́grados) de cierto proceso quı́mico
es una variable aleatoria continua X con función de densidad

1 − x, si −k ≤ x ≤ k,
f(x) =
0, de otra manera.
(a) Halle el valor de k para que f sea en realidad una densidad y, luego, trace la gráfica
de f.
(b) Calcule la probabilidad de que la temperatura de reacción sea estrictamente positiva.
(c) Calcule la probabilidad de que la temperatura de reacción se encuentre entre 0 y 1/2
grados centı́grados.
(d) Calcule probabilidad de que la temperatura de reacción sea menor que −1/4 grados
centı́grados o mayor que 1/4 grados centı́grados.
6. Supongamos que la función de densidad

x
2, si 0 ≤ x ≤ 2,
f(x) =
0, de otra manera
es la de una variable aleatoria que representa al tiempo de préstamo para un libro,

disponible durante 2 horas en la biblioteca de una universidad, solicitado por un estu-
diante seleccionado al azar.
(a) ¿Cuál es la probabilidad de que el libro sea prestado durante al menos 1 hora? ¿Entre
media y hora y media? ¿Más de una hora y media?
(b) Construya F y grafı́quela.
(c) Halle la duración mediana de tiempo de préstamo de libros.
7. Un maestro universitario nunca termina su clase antes de que suene la campana y siempre
termina su clase por lo menos 2 minutos después de que suena la campana. Sea X el
tiempo (en minutos) que transcurre entre la campana y el término de la clase, y suponga
que la función de densidad de X es

kx2 , si 0 ≤ x ≤ 2,
f(x) =
0, de otra manera.
(a) Encuentre el valor de k y luego grafique f.

(b) ¿Cuál es la probabilidad de que la clase termine por lo menos 1 minuto después de
que suene la campana?
(c) ¿Cuál es la probabilidad de que la clase continúe entre 60 y 90 segundos después de
que suene la campana?
(d) ¿Cuál es la probabilidad de que la clase continúe por lo menos 90 segundos después
de que suene la campana?
8. Supongamos que el peso de un bebé recién nacido (en kilogramos) puede considerarse
como una variable aleatoria continua X con función de densidad f definida por

k[1 − (x − 3)2 ], si 2 ≤ x ≤ 4,
f(x) =
0, de otra manera.
(a) Encuentre el valor de k y luego haga un bosquejo de la gráfica de f.

(b) ¿Cuál es la probabilidad de que el peso de un bebé recién nacido sea mayor que 3
kilogramos?
(c) ¿Cuál es la probabilidad de que el peso de un bebé recién nacido sea menor que 3,5
kilogramos?
(d) ¿Cuál es la probabilidad de que el peso de un bebé recién nacido se encuentre entre
3 y 3,5 kilogramos?
9. Supongamos que la siguiente función de densidad f, definida por

2
x e−x /2 , si x > 0,
f(x) =
0, de otra manera,
es la de una variable aleatoria X que representa al esfuerzo vibratorio (en libras por pulgadas
cuadradas) en la aleta de un abanico, a una velocidad particular.
(a) Verifique que f es en realidad una función de densidad.

(b) ¿Cuál es la probabilidad de que el esfuerzo vibratorio de la aleta sea a lo sumo 2 libras
por pulgadas cuadradas? ¿Entre 1 y 2?
(c) Encuentre la función de distribución acumulada de X.
10. La duración en horas de una baterı́a es una variable aleatoria X con función de distribución
acumulada
1 − e−t/20 , si t > 0,
F(t) =
0, de otro modo.
(a) Grafique F.
(b) Determine la función de densidad f de X y grafı́quela.
(c) Determine la probabilidad de que la duración de tal baterı́a exceda 50 horas.
4.2 Esperanza y varianza de una variable aleatoria con-

tinua
4.2.1 Esperanza de una variable aleatoria
Como vimos en el capı́tulo anterior, la esperanza de una variable aleatoria X discreta se
obtuvo al sumar los productos x · f(x) sobre los posibles valores de X (compárese con
la definición ??). En el caso continuo, sustituimos la suma por una integración y la
función de probabilidad por la función de densidad para obtener un promedio ponderado
continuo. Como consecuencia de estas observaciones, obtenemos la siguiente definición:
Definición 4.2.1 Sea X una variable aleatoria continua definida sobre un espacio
muestral Ω y sea f la función de densidad de X. Entonces, la esperanza ( valor
esperado o media) de X, simbolizada por µ o E(X), se define como
∞
Z
µ = E(X) = x · f(x) dx,
−∞
siempre que exista la integral.

∞
R
Desde un punto de vista técnico, se dice que E(x) existe si la integral |x| f(x) dx existe.
−∞
Ası́ será en todos los valores esperados que analicemos, de modo que será innecesario señalar esta
condición adicional cada vez que definamos un valor esperado.
Ejemplo 4.2.2 Dada la siguiente densidad de una variable aleatoria continua X (véase el
ejemplo 4.1.2a):
1
, si 0 ≤ x ≤ 2,
f(x) = 2
0, de otro modo,
la esperanza de X está dada por

∞ Z2
1 x2 2
Z
x 1
E(X) = x · f(x) dx = dx = · = (4 − 0) = 1. ◭
2 2 2 0 4
−∞ 0
Ejemplo 4.2.3 Consideremos la siguiente densidad h de una variable aleatoria continua X

(véase el ejemplo 4.1.2):
e−x , si x ≥ 0,
h(x) =
0, de otro modo,
siendo e la base del logaritmo natural. Entonces, teniendo en cuenta la fórmula del método
de integración por partes,3 la esperanza de X está dada por
∞ ∞ ∞
Z Z ∞ Z ∞
−x −x
E(X) = x · h(x) dx = x·e dx = −xe + e−x dx = 0 − e−x = 1. ◭
0 0
−∞ 0 0
Esperanza de una función de una variable aleatoria

Como en el caso discreto, si X es una variable continua, con frecuencia nos interesará
el valor esperado de alguna función h(X) y no la X misma.4 El siguiente teorema nos
sugiere una forma sencilla de calcular el valor esperado de una función h(X), cuando X
es una variable aleatoria continua.
Teorema 4.2.4 Sea X una variable aleatoria continua definida sobre un espacio
muestral Ω. Sea f la función de densidad de X. Entonces, la esperanza o media
de cualquier función h(X) de X, simbolizada por E h(X) , se define como
∞
Z

E h(X) = h(x) · f(x) dx,
−∞
siempre y cuando exista la integral.
Ejemplo 4.2.5 Dos especies compiten en una región para controlar una limitada cantidad
de cierto recurso. Sea X la variable aleatoria que representa a “la proporción del recurso
controlado por la especie 1” y suponga que X tiene densidad de probabilidad f dada por

1, si 0 ≤ x ≤ 1;
f(x) =
0, de otra manera.
3
La fórmula del método de integración por partes es
Z Z
u dv = uv − v du.
4
Análogo al caso discreto, toda función h(X) de una variable aleatoria continua X es también
una variable aleatoria continua.
Ası́, la especie que controla la mayor parte de este recurso controla la cantidad

 1 − X, si 0 ≤ X ≤ 21 ;
h(X) = Máximo entre X y X − 1 =

X, si 21 ≤ X ≤ 1.
Entonces, el valor
∞
Z 1/2
Z Z1
3
E h(X) = (Máximo entre x y x − 1) · f(x) dx = (1 − x) · 1 dx + x · 1 dx =
4
−∞ 0 1/2
es la cantidad esperada por la especie que tiene el control de la mayorı́a. ◭
Reglas de la esperanza
En el teorema ?? hemos estudiando algunas reglas básicas para calcular la esperanza
de la función lineal h(X) = aX + b, donde a y b son números reales fijos, pero para el
caso en que X sea una variable aleatoria discreta. Cuando X es continua, las reglas son
exactamente las mismas, como se muestra en el siguiente teorema:
Teorema 4.2.6 Sean X una variable aleatoria continua definida sobre un espacio
muestral Ω y a, b números reales fijos. Entonces,
(a) E(aX + b) = aE(X) + b.
(b) E(aX) = aE(X) (si se toma b = 0 en la parte (a)).
(c) E(b) = b (si se toma a = 0 en la parte (a)).
Ejemplo 4.2.7 Una persona estima que, si las temperaturas son las que cabe esperar, su
factura de calefacción de febrero, X (en pesos) será de X = 29.000 − 1.000T , donde T es la
temperatura media mensual (en grados centı́grados). Suponiendo que podemos representar
la temperatura del mes de febrero mediante una variable aleatoria con media de 6 grados
centı́grados, encontrar la media de la factura de calefacción de esta persona.
SOLUCION:
Tenemos que E(T ) = 6. Por tanto la esperanza de la factura de calefacción será
E(X) = 29.000 − 1.000 E(T ) = 29.000 − (1.000)(6) = 26.000 pesos. ◭
4.2.2 Varianza de una variable aleatoria

En el capı́tulo anterior hemos visto que la varianza de una variable aleatoria X discreta se
obtuvo al sumar los productos (x − µ)2 · f(x) sobre los posibles valores de X (compárese
con la definición ??). Como hicimos al introducir el concepto de esperanza en el caso
continuo, en este caso, sustituimos la suma por una integración y la función de prob-
abilidad por la función de densidad para obtener la varianza de una variable aleatoria
continua. Con base en estas observaciones, obtenemos la siguiente
Definición 4.2.8 Sea X una variable aleatoria continua definida sobre un espacio
muestral Ω. Sean f y µ la función de densidad y esperanza de X, respectivamente.
Entonces, la varianza de X, simbolizada por σ2 o V(X), se define como
∞
Z
2
σ = V(X) = (x − µ)2 · f(x) dx,
−∞
siempre que exista la integral. La desviación estándar de X, denotada nueva-

mente por σ, se define como la raı́z cuadrada de la varianza.
Al igual que el en caso discreto, podemos verificar que la varianza de X, cuando ésta es
continua, también la podemos calcular de la siguiente manera (compárese con la definición ??):
2
V (X) = E (X − µ)2 = E(X2 ) − E(X) .
Ejemplo 4.2.9 Sea X la variable aleatoria con densidad de probabilidad f dada en el ejem-
plo 4.2.2. En ese ejemplo calculamos que E(X) = 1. Como
∞ Z2
1 x3 2
Z
2 2 x2 1 4
E(X ) = x · f(x) dx = dx = · = (8 − 0) = ,
2 2 3 0 6 3
−∞ 0
entonces, la varianza de X está por

2 4 1
V(X) = E(X2 ) − E(X) = − 12 = .
3 3
p √
La desviación de X es σ = V(X) = 1 = 1. ◭
Ejemplo 4.2.10 Sea X la variable aleatoria con densidad de probabilidad f dada en el

ejemplo 4.2.3. En ese ejemplo calculamos que E(X) = 1. Aplicando la fórmula del método
de intregación por partes, obtenemos
∞
Z ∞
Z h i∞
2
E(X ) = 2
x · h(x) dx = x2 · e−x dx = − x2 e−x − 2xe−x − 2e−x = 2.
0
−∞ 0
Por consiguiente, la varianza de X está por

2
V(X) = E(X2 ) − E(X) = 2 − 12 = 1.
p √
La desviación de X es σ = V(X) = 1 = 1. ◭
Varianza de una función de una variable aleatoria

El siguiente teorema nos sugiere una forma sencilla de calcular la varianza de una función
h(X), pero cuando X es continua.
Teorema 4.2.11 Sea X una variable aleatoria continua definida sobre un espa-
cio muestral Ω. Sea f la función de densidad de X. Entonces,
la varianza de
cualquier función h(X) de X, simbolizada por V h(X) , se define como
∞
Z
2
V h(X) = h(x) − E h(X) · f(x) dx,
−∞
siempre que exista la integral. Como antes, la desviación estándar de h(X) es

igual a la raı́z cuadrada de la varianza de h(X).
Una fórmula alternativa para calcular la varianza es como se muestra a continuación:

h i2
V h(X) = E [h(X)]2 − E h(X) .
Ejemplo 4.2.12 Sea X la variable aleatoria con densidad

de probabilidad f dada en el
ejemplo 4.2.5. En ese ejemplo calculamos que E h(X) = 3/4. Debido a que
∞
Z 1/2
Z Z1
2
2 2 7
E [h(X)] = (Máximo entre x y x − 1) ·f(x) dx = (1−x) ·1 dx + x2 ·1 dx = ,
12
−∞ 0 1/2
entonces, la varianza de h(X) está dada por

h 2
2
i2 7 3 1
V h(X) = E [h(X)] − E h(X) = − = . ◭
12 4 48
Reglas de la varianza
Al igual que en el caso discreto, cuando h(X) es una función lineal de la forma h(X) =
aX + b, donde a y b son números reales fijos y X es una variable aleatoria continua,
V h(X) también se calcula fácilmente a partir de V(X) (comparése con el teorema ??).
Teorema 4.2.13 Sean X una variable aleatoria continua definida sobre un espacio
muestral Ω y a, b números reales fijos. Entonces,
(a) V(aX + b) = a2V(X).
(a) V(aX) = a2V(X) (si se toma b = 0).
(b) V(b) = 0 (si se toma a = 0).
(b) La desviación estándar de aX + b es igual a |a| por la desviación estándar de

la variable X.
Observe que las partes (a) y (b) dicen que la inclusión de la constante b no afecta la varianza, lo
cual es intuitivo porque la suma (o la resta) de una constante b cambia la ubicación (valor medio),
pero no la dispersión de los datos . Además, la razón para el valor absoluto de a en la parte (c)
es que a puede ser negativa, mientras que la desviación estándar no puede ser negativa (compárese
con las observaciones dadas en el teorema ??).
Ejemplo 4.2.14 Si la desviación tı́pica de la variable T del ejemplo 4.2.7 es de 4 grados

centı́grados, entonces, la varianza de la variable Y de ese mismo ejemplo será
V(X) = (1.000)2 V(T ) = (100.000)(42 ) = 16.000.000 pesos.

p
Por consiguiente, la desviación es σ = V(X) = 4.000 pesos. ◭
La regla de Tchebychev y la regla empı́rica para variables aleatorias

continuas
La regla de Tchebychev y la regla empı́rica, introducidas en el capı́tulo ?? para mues-
tras y poblaciones, proporcionan una interpretación de la esperanza y la desviación para
las variables aleatorias continuas, como en el caso de las variables aleatorias discre-
tas. Aun si ignoramos las distribuciones exactas de las variables aleatorias de interés,
el conocimiento de las medias y las desviaciones estándar nos permite especificar cotas
significativas para las probabilidades de eventos que a menudo nos interesan. En el teo-
rema ?? presentamos la regla de Tchebychev y la regla empı́rica para el caso de variables
aleatorias discretas. Ahora, replanteamos este teorema para el caso continuo.
Teorema 4.2.15 (Regla de Tchebychev y regla empı́rica) Sea X una varia-

ble aleatoria continua con media µ y varianza σ2 (ambas finitas). Entonces,
1
P(|X − kσ| ≤ µ) ≥ 1 − ,
k2
para cualquier número k > 1. Si X tiene más o menos una función de densidad con
forma de campana, entonces,
P(|X − σ| ≤ µ) ≈ 0, 68, P(|X − 2σ| ≤ µ) ≈ 0, 95.
Ejemplo 4.2.16 Una variable aleatoria X continua tiene una media µ = 8, varianza σ2 = 9
y distribución de probabilidad desconocida. Entonces,
15
P(−4 < X < 20) = P 8 − (4)(3) < X < 8 + (4)(3) ≥ . ◭
16
Al igual que en el caso, discreto, la regla de Tchebychev tiene validez para cualquier
distribución de observaciones y, por esta razón, los resultados por lo general son débiles.
El valor que la regla proporciona es sólo un lı́mite inferior. Es decir, sabemos que
la probabilidad de una variable aleatoria que cae dentro de dos desviaciones estándar
de la media no puede ser menor que 3/4, pero nunca sabemos cuánto podrı́a ser en
realidad. Sólo cuando se conoce la distribución de probabilidad podemos determinar
probabilidades exactas.

11. Si la utilidad mensual de un distribuidor de computadores, en unidades de 2.000.000 de
pesos, se puede ver como una variable aleatoria X que tiene la función de densidad

2(3−x)
5 , si 0 < x < 1,
f(x) =
0, de otro modo.
(a) Encuentre la utilidad promedio del distribuidor por computador.

(b) ¿Cuál es la ganancia promedio por computador del distribuidor si la ganancia en cada
uno está dado por g(X) = 2X2 ?
12. ¿Qué proporción de personas se puede esperar que respondan cierta encuesta que se envı́a
por correo si la proporción X tiene la función de densidad como en el ejercicio 2? ¿Cuál
es la varianza de X?
13. Encuentre la esperanza de una variable aleatoria X, que representa las mediciones codi-
ficadas del diámetro de paso de los alambres de un circuito y cuya función de densidad
es
4
2 , si 0 < x < 1,
f(x) = π(1+x )
0, de otro modo.
14. Considere la situación en el ejemplo 3. Encuentre el número promedio de horas por cada
6 meses que las familias utilizan sus lavadoras y la desviación estándar de X.
15. Un vendedor recibe un salario anual de 12.000.000 de pesos, más un 5% del valor de
las ventas que realiza. Las ventas anuales pueden representarse mediante una variable
aleatoria con media 20.000.000 de pesos y desviación tı́pica de 2.000.000 de pesos. Halle
la media y la desviación del ingreso anual de este vendedor.
16. El tiempo, en minutos, para que un aeroplano obtenga vı́a libre para aterrizar en cierto
aeropuerto es una variable aleatoria Y = 5X − 3, donde X tiene la función de densidad

2e−2x , si x > 0,
f(x) =
0, de otro modo.
Encuentre la media y la desviación estándar de Y.

17. Suponga que la duración X en minutos de una conversación telefónica es una variable
aleatoria continua con función de densidad

3e−3x , si x > 0,
f(x) =
0, de otro modo.
Determine la duración media de este tipo de conversación telefónica y la desviación

estándar de X.
18. El perı́odo de hospitalización, en dı́as, para pacientes que siguen el tratamiento para cierta
enfermedad digestiva es una variable aleatoria Y = 2X + 5, donde X tiene la función de
densidad
2
3, si x > 0,
f(x) = (x+1)
0, de otro modo.
Si muchas personas van al hospital para recibir el tratamiento de dicha enfermedad, ¿cuál
es el número promedio de dı́as de hospitaliación por persona?
19. Una persona desea marcar una región circular de muestreo de 10 metros de radio con
la idea de mandar a construir un pequeño kiosko. Sin embargo, el radio de la región
resultante es en realidad una variable aleatoria R con función de densidad

3
[1 − (10 − r)2 ], si 9 ≤ r ≤ 11,
f(r) = 4
0, de otro modo.
¿Cuál es el área esperada de la región circular resultante?

20. Simbolice con X el tiempo que dura un libro prestado con función de densidad f dada en
el ejercicio 6.
(a) Calcule la esperanza y varianza de X.
(b) Si a la persona que solicita el libro se le cobra una cantidad h(X) = X2 cuando la
duración del préstamo es X, calcule el cobro esperado.
21. Exprese con X el tiempo (en años) en que deja de funcionar cierta maquinaria eléctrica.
Suponga que la función de densidad de X es

32
3, si x ≥ 0,
f(x) = (x+4)
0, de otra forma.
(a) Verifique que f satisface las propiedades de una función de densidad.

(b) Determine la función de distribución acumulada de X.
(c) Utilice el resultado del inciso (b) para calcular la probabilidad de que el tiempo en
que deja de funcionar cierta maquinaria eléctrica esté entre 2 y 5 años.
(d) ¿Cuál es el tiempo esperado en que deja de funcionar cierta maquinaria eléctrica?
22. El tiempo de culminación X de cierto proyecto financiero tiene una función de distribución
acumulada F dada por


 0, si t < 0,

 t3 ,
3 si 0 ≤ t < 1,
F(t) = 1


 1 − 24 (7 − 3t)2
, si 1 ≤ t ≤ 73 ,

1, de otra forma.
(a) Obtenga la función de densidad de X y construya su gráfica.

(b) Calcule la probabilidad de que el tiempo de culminación de cierto proyecto financiero
se encuentre entre 0,5 y 2.
(c) Calcule el tiempo esperado de culminación de cierto proyecto financiero.
23. El tiempo de reacción a cierto medicamento (en minutos) es una variable aleatoria continua
X con función de densidad

3
2, si 1 ≤ x ≤ 3,
f(x) = 2x
0, de otra forma.
(a) Obtenga la función de distribución acumulada F de X.

(b) ¿Cuál es la probabilidad de que el tiempo de reacción sea a lo sumo 2 minutos?
(c) Calcule el tiempo esperado de reacción y la desviación estándar del tiempo de reacción.
4.3 La distribución uniforme (continua) 23
4.3 La distribución uniforme (continua)

A partir de esta sección queremos ocuparnos detalladamente con algunas distribuciones
de probabilidades continuas especiales, que poseen un importante significado teórico y
práctico. Comenzaremos con la distribución uniforme, que es la distribución más simple.
Definición 4.3.1 Una variable aleatoria continua X tiene distribución uni-

forme con los parámetros a y b con a < b si posee la densidad

1
, si a ≤ x ≤ b,
f(x) = b−a
0, de otro modo.
La media y la varianza de X vienen dadas, respectivamente, por
a+b (a − b)2
µ= , V (X) = .
2 12
La función de distribución de esta variable aleatoria está dada por



 0, si t < a,

 t
1
R t−a
F(t) = b−a dx = b−a , si a ≤ t ≤ b,

 a


1, si t > b.
En la figura 4.5, aparecen las funciones de densidad y de distribución acumulada de la

distribución uniforme.
(a) Gráfica de f (b) Gráfica de F
Fig. 4.5: Densidad f y función de distribución F de la distribución uniforme.
Ejemplo 4.3.2 Un punto de fusión X de un cierto espécimen puede ser considerado como
una variable aleatoria continua que está uniformemente distribuı́da sobre el intervalo [110, 120].
En este caso, a = 110 y b = 120 (estos valores se podrı́an colocar en la figura 4.5a). Por lo
4.3 La distribución uniforme (continua) 24
tanto, la probabilidad de que tal espécimen se derrita entre 112 y 115 grados es
115
Z
dx 3
P(112 ≤ X ≤ 115) = = = 0, 3.
10 10
112
Esta probabilidad se pudo haber calculado también con ayuda de F:

1 1 3
P(112 ≤ X ≤ 115) = F(115) − F(112) = − = .
2 5 10
Si deseamos obtener la gráfica de la distribución acumulada de X sólo debemos colocar
a = 110 y b = 120 en la figura 4.5b. ◭
Ejemplo 4.3.3 La eficiencia X de una cierta componente eléctrica X se puede considerar

como una variable aleatoria continua que está distribuida uniformemente entre 0 y 100
unidades. ¿Cuál es la probabilidad de que X (a) esté entre 60 y 80 unidades, (b) sea más
pequeña que 90 unidades?
SOLUCION:
Teniendo en cuenta la densidad uniforme, obtenemos
80
Z 100
Z
1 1
P(60 ≤ X ≤ 80) = dx = 0, 20, P(X ≤ 90) = dx = 0, 10. ◭
100 100
60 90

24. Suponga que el tiempo de reacción X (en minutos) a cierto medicamento tiene una
distribución uniforme continua en el intervalo [−5, 5]. Calcule la probabilidad de que la
temperatura de reacción
(a) sea estrictamente menor que 0
(b) se encuentre entre −2, 5 y 2, 5.
(c) se encuentre entre k y k + 4 si k satisface −5 < k < k + 4 < 5.
25. El tiempo X (minutos) para que un profesor prepare un cuestionario tiene una distribución
uniforme continua en el intervalo [20, 40].
(a) Escriba la función de densidad, la función de distribución acumulada y trace sus
respectivas gráficas.
(b) ¿Cuál es la probabilidad de que el tiempo de preparación exceda a 35 minutos?
(c) ¿Cuál es la probabilidad de que el tiempo de preparación se encuentre a 2 minutos
del tiempo medio?
(d) Para cualquier k tal que 25 < k < k + 2 < 35, ¿cuál es la probabilidad de que el
tiempo de preparación esté entre k y k + 2 minutos?
26. Suponga que se puede reservar una sala grande de conferencias para cierta compañı́a
por no más de 6 horas. Si embargo, el uso de la sala de conferencias es tal que muy
a menudo tienen lugar conferencias largas y cortas. De hecho, se puede suponer que la
duración de una conferencia tiene una distribución uniforme en el intervalo [0, 6]. ¿Cuál
es la probabilidad de que cualquier conferencia dada dure al menos tres horas?
4.4 La distribución normal 25
27. Suponga que para trasladarse a la universidad, un profesor debe abordar primero un bús
cerca de su casa y después transbordar otro. Si el tiempo de espera (en minutos) en cada
parada tiene una distribución uniforme continua en el intervalo [0, 5], entonces, se puede
demostrar que el tiempo total de espera X del profesor tiene la función de densidad

x
 25 ,
 si 0 ≤ x ≤ 5,
2 x
f(x) = 5 − 25 , si 5 ≤ x ≤ 10,


0, de otra manera.
(a) Verifique que f es una función de densidad y luego dibuje la gráfica de f.

(b) ¿Cuál es la probabilidad de que el tiempo total de espera esté entre 3 y 8 minutos?
(c) ¿Cuál es la probabilidad de que el tiempo total de espera sea menos de 2 minutos o
más de 6?
28. Un consultor sabe que le costará 10 millones de pesos cumplir determinado contrato. El
contrato va a ser subastado y el consultor opina que la oferta más baja, excluyendo la
suya, se puede representar mediante una distribución uniforme entre 8 y 20 millones de
pesos.
(a) ¿Cuál es la probabilidad de que haya alguna oferta más baja que el costo estimado
de 10 millones de pesos?
(b) Si el consultor hace una oferta de 12 millones de pesos, ¿cuál es la probabilidad de
que consiga el contrato?
(c) Si el consultor decide hacer una oferta por 12 millones de pesos, ¿cuál es el beneficio
esperado de esta estrategia?
(d) Si el consultor quiere hacer una oferta que le reporte el máximo beneficio esperado,
discutir cómo deberı́a proceder?
29. Considere la función de densidad f definida en el ejercicio 27.
(a) Halla la función de distribución acumulada F de X.
(b) Obtenga una expresión para el p-ésimo punto percentil.
(c) Calcule la esperanza y la varianza de X. ¿Cómo se comparan con el tiempo esperado
y la varianza de un solo bús cuando el tiempo está uniformemente distribuido en el
intervalo [0, 5].
4.4 La distribución normal

La densidad y distribución normal
La distribución normal es la distribución continua que se utiliza con más frecuencia en
las aplicaciones de la teorı́a de la probabilidad. Ella constituye la base para el desarrollo
de muchos de los métodos de la teorı́a estadı́stica.
Definición 4.4.1 Una variable aleatoria tiene distribución normal con los pa-
rámetros µ ∈ R y σ2 > 0 si y sólo si su densidad de probabilidad está dada por
1 (x−µ) 2
−
ϕ(x; µ, σ) := f(x) = √ e 2σ 2 , para todo x ∈ R,
2πσ2
siendo e la base del logaritmo natural. Esta función f es conocida como la densidad
normal. La función de distribución acumulada correspondiente (que simbolizare-
mos como Φ) se define como
Zt
Φ(t; µ, σ) = F(t) = P(X ≤ t) = φ(x; µ, σ) dx.
−∞
El siguiente ejemplo ilustra una aplicación de la distribución normal.
Ejemplo 4.4.2 Suponga que los diámetros de bolas de golf producidas por una compañı́a
están normalmente distribuı́das con µ = 1, 96 pulgadas y σ = 0, 04 pulgadas. Una bola de
golf se considera defectuosa si su diámetro es menor que 1,90 pulgadas o más grande que
2, 02 pulgadas. Ahora, debido a que
P(X < 1, 90 ó X > 2, 02) = 1 − P(1, 90 < X < 2, 02)

2,02
Z (x−1,96)2
1 −
= 1− √ e 2(0,04)2 dx = 0, 1336,
0, 04 2π
1,90
entonces,5 la compañı́a fabrica aproximadamente 13,4 % bolas de golf defectuosas. ◭
Propiedades de la distribución normal

Hay ciertas propiedades importantes acerca de las caracterı́sticas de la distribución nor-
mal.
1. Si X es una variable aleatoria que tiene distribución normal con parámetros µ ∈ R

y σ2 > 0, entonces, la esperanza de X es µ y la varianza de X es σ2.
2. Hay toda una familia de distribuciones normales. Cada distribución normal es-
pecı́fica se distingue por su esperanza µ y su desviación estándar σ (compárese
con la figura 4.6).
3. En la figura 4.6 podemos observar que:
(a) La densidad normal ϕ es creciente para x < µ y decreciente para x > µ.

Es decir, el punto más alto de la densidad normal se obtiene cuando x = µ
(véase la figura 4.6a,b).
5
La resolución de la integral anterior está fuera del alcance de este libro. Además, estas proba-
bilidades se calculan con la tabla normal del apéndice, cuyo uso explicaremos más adelante.
(a) ϕ con σ = 1 y µ = −3, 0 y 3. (b) ϕ con µ = 0 y σ = 0, 3, 1 y 3.
(c) Φ con σ1 < σ2 .
Fig. 4.6: Gráficas de la densidad ϕ y distribución normal Φ para diferentes valores

de los parámetros µ y σ.
(b) La densidad normal es simétrica con respecto a µ. El eje de simetrı́a contiene

a µ y divide a la densidad normal en dos regiones que tienen igual área,
tamaño y forma (véase la figura 4.6a,b).
(c) Las colas, es decir, los extremos o los lados de la densidad normal se prolongan
al infinito en ambas direcciones y nunca tocan el eje horizontal (véase la figura
4.6a,b).
(d) La desviación estándar σ determina el ancho de la curva. A mayores valores
de la desviación estándar se tienen curvas más anchas y bajas, que muestran
una mayor dispersión en los datos (véase la figura 4.6b).
(e) La esperanza µ determina el lugar de la distribución.
4. La media, la mediana y la moda son todas iguales (véase la figura 4.6a).
5. En la figura 4.6c ilustramos la gráfica de la distribución acumulada normal para

σ1 < σ2.
La distribución normal estándar

Ya hemos explicado que hay una distribución normal para cada valor distinto de µ y σ.
Una distribución de especial importancia en estadı́stica es la distribución normal estándar
(o estandarizada) que tiene una media 0 y varianza 1.
Definición 4.4.3 Una variable aleatoria tiene distribución normal estándar

(o estandarizada) si y sólo si tiene distribución normal con esperanza 0 y varianza
1.
De ahora en adelante, utilizaremos siempre la letra Z para representar a una variable aleatoria que
tiene distribución normal estándar y convendremos que
ϕ(z) = ϕ(z; 0, 1), Φ(t) = Φ(t; 0, 1).
Además, la densidad ϕ y la distribución Φ (normales estándar) tienen las siguientes propiedades:

• Para todo z real se tiene que ϕ(z) = ϕ(−z). Es decir, la densidad normal ϕ es simétrica con
respecto a 0.
• Para todo t real se cumple que Φ(−t) = 1 − Φ(t). esto s puede puede interpretar de la
siguiente manera (véase la figura 4.7): El área Φ(−t) de la región I es igual al área 1 − Φ(t)
de la región II.
Fig. 4.7: Las áreas de las regiones I y II son iguales en la distibución normal estándar
Uso de tablas normales

Las áreas de la distribución normal estándar correspondiente a varias probabilidades se
encuentran actualmente tabuladas. La tabla ?? del apéndice es un ejemplo. Ella tabula
la función de distribución acumulada Φ(t) = P(Z ≤ t) para diferentes valores de t. Por
ejemplo,
• Supongamos que queremos encontrar Φ(2, 91) = P(Z ≤ 2, 91). Para ello, primero
localizamos 2,9 en la columna izquierda de la tabla, y después localizamos a 0, 01
en el renglón superior. Buscando en el interior de la tabla, vemos que el renglón
de 2,9 y la columna de 0,01 se intersecan en el valor 0, 9982. Por consiguiente,
hemos determinado la probabilidad que buscábamos: Φ(2, 91) = 0, 9982. A
z 0,00 0,01 ··· 0,09

..
.
2,8 0,9974 0,9975 ··· 0,9981
2,9 0,9981 0,9982 ··· 0,9986
3,0 0,9987 0,9987 ··· 0,9990
..
.
Tabla 4.1: Parte de la tabla normal, de donde Φ(2, 91) = 0, 9982
continuación, en la tabla 4.1 se presenta una parte de esa tabla, donde se muestra
la probabilidad pedida.
• Siguiendo el mismo método, podemos determinar Φ(−1, 33). Primero encon-
tramos el renglón de −1, 3 y después avanzamos por él hasta la columna de 0, 03.
Allı́ vemos que Φ(−1, 33) = 0, 918.
• Observe que hay valores de Z que no aparecen en la tabla (como por ejemplo, 3,5 y
−4, 2). En este caso, debemos aproximar a 0 las probabilidades correspondientes
a los valores negativos y a 1, las probabilidades correspondientes a los valores
positivos. Por ejemplo, Φ(3, 5) ≈ 1 y Φ(−4, 2) ≈ 0.
Ejemplo 4.4.4 Encuentre las probabilidades siguientes asociadas con la distribución nor-
mal estándar, usando la tabla normal (véase la tabla ?? del apéndice): P(−1, 34 ≤ Z ≤ 1, 68)
y P(Z ≥ 1, 68).
SOLUCION:
Teniendo en cuenta la tabla normal del apéndice y algunas propiedades vistas anteriormente,
encontramos que
P(−1, 34 ≤ Z ≤ 1, 68) = Φ(1, 68) − Φ(−1, 34) = 0, 9535 − 0, 0901 = 0, 8634.
P(Z ≥ 1, 68) = 1 − P(Z < 1, 68) = 1 − Φ(1, 68) = 1 − 0, 9535 = 0, 0465.
El resultado 0,8634 corresponde al área bajo la curva normal comprendida entre z =

−1, 34 y z = 1, 68 (veáse la figura 4.8a) y el resultado 0,0465 corresponde al área bajo la
curva normal a la derecha de z = 1, 68 (veáse la figura 4.8b).
Conversión a la distribución normal estándar

Cuando X tiene distribución normal con parámetros µ y σ2, entonces, las probabilidades
donde aparezca X se calculan con el método de estandarización, es decir, se calculan
con ayuda de una nueva variable Z que, de ahora en adelante, se definirá como
X−µ
Z= .
σ
Obsérvese que, al aplicar las propiedades de la esperanza y varianza, encontramos que
la esperanza y varianza de Z son E(Z) = 0 y V(Z) = 1, respectivamente. Este hecho
conduce al siguiente teorema:
(a) Entre z = −1, 34 y z = 1, 68. (b) A la derecha de z = 1, 68.
Fig. 4.8: Areas bajo la curva normal.
Teorema 4.4.5 Sea X una variable aleatoria que tiene distribución normal con
parámetros µ y σ2. Entonces,
(a) Z tiene distribución normal estándar.
(b) Para todo a real, se cumple que

a − µ a − µ
P(X ≤ a) = P Z ≤ = Φ .
σ σ
(c) Para todo a real, se cumple que

a − µ
P(X ≥ a) = 1 − P(X < a) = 1 − Φ .
σ
(d) Para todo a y b reales, se cumple que

a − µ b − µ b − µ a − µ
P(a ≤ X ≤ b) = P ≤Z≤ = Φ −Φ .
σ σ σ σ
Ejemplo 4.4.6 Una compañı́a fabrica focos con vida media de 500 horas y desviación
estándar de 100. Si se supone que los tiempos de vida útil de los focos se distribuyen
normalmente, esto es que los tiempos de vida forman una distribución normal, encuentre la
probabilidad de que cierta cantidad de focos duren entre 650 y 780 horas.
SOLUCION:
Sea X la variable aleatoria que representa al “tiempo de vida útil de los focos”. Nos piden
calcular P(650 ≤ X ≤ 780). Del problema, sabemos que X es una variable aleatoria normal
con esperanza µ = 500 y desviación estándar σ = 100. Por consiguiente, hallaremos la
probabilidad pedida aplicando el teorema 4.4.5 y con ayuda de la variable Z.
780 − 500 650 − 500
P(650 ≤ X ≤ 780) = Φ −Φ
100 100
= Φ(2, 80) − Φ(1, 5) = 0, 9974 − 0, 9332 = 0, 0642.
O sea, la probabilidad de que cierta cantidad de focos duren entre 650 y 780 horas es
aproximadamente 0,0642. ◭
Ejemplo 4.4.7 Si X es la variable aleatoria que representa a “las medidas de la presión

sanguı́nea sistólica”, de un grupo cuyas edades oscilan entre 20 y 24 años y si X tiene
distribución normal con una media de 120 y una desviación estándar de 20, encuentre (a)
P(X > 135) y (b) P(105 < X < 110).
SOLUCION:
Debido a que X es una variable aleatoria normal con media µ = 120 y desviación estándar
σ = 20, entonces, por el teorema 4.4.5 y con ayuda de la variable Z, tenemos que
135 − 120
P(X > 135) = 1 − P(X ≤ 135) = 1 − Φ
20
= 1 − Φ(0, 75) = 1 − 0, 7734 = 0, 2266
y
110 − 120 105 − 120
P(105 ≤ X ≤ 110) = Φ −Φ
20 20
= Φ(−0, 5) − Φ(−0, 75) = 0, 3085 − 0, 2266 = 0, 0819. ◭
Aproximación de la distribución binomial por la normal

En la sección ?? presentamos la distribución binomial de probabilidad. Recordemos que
un experimento binomial consiste en una sucesión de n experimentos independientes e
idénticos, y que cada experimento tiene dos resultados posibles: un éxito o un fracaso.
La probabilidad de un éxito en un experimento aleatorio es igual para todos los expe-
rimentos y se representa por p. La variable aleatoria binomial es la cantidad de éxitos
en los n experimentos, y la probabilidad de interés se relaciona con la probabilidad de
obtener exactamente k éxitos en los n experimentos.
Cuando la cantidad de experimentos es muy grande, es difı́cil calcular la probabilidad

binomial a mano o con una calculadora. Además, la tabla binomial (véase la tabla ??
del apéndice) no muestra valores de n mayores de 25.
Ejemplo 4.4.8 Durante un perı́odo largo, se ha determinado que el 70% de los abogados
que presentan el examen de la barra de abogados lo aprueban. De 500 abogados que pre-
sentan el examen siguiente, encuentre la probabilidad de que al menos 370 de ellos pasen.
SOLUCION:
Sea X la variable aleatoria que representa al “número de abogados que pasan el examen”.
Nos piden calcular P(X ≥ 370). Observe que X es una variable binomial con los parámetros
n = 500 y p = 70% = 0, 7. Entonces,
P(X ≥ 370) = 1 − P(X ≤ 369) = 1 − B(369; 500; 0, 7).
Debido a que n = 500 es muy grande (observe que es mayor que 25) no podemos calcular el
valor de B(369; 500, 0, 7) con ayuda de la tabla ?? del apéndice, lo cual nos impide terminar
por completo el ejercicio. Por consiguiente, tenemos que buscar otra alternativa para cal-
cular la probabilidad pedida y será con ayuda de la definición de función de probabilidad.
Recordemos que, en este caso, la función de probabilidad de X está dada por
500 k 500−k
k (0, 7) (0, 3) , si k = 0, 1, 2, . . . , 500;
b(k; 500; 0, 7) =
0, de otra manera.
Por consiguiente,
500
X
P(X ≥ 370) = b(k; 500; 0, 7)
k=370
= b(370; 500; 0, 7) + b(371; 500; 0, 7) + · · · + b(500; 500; 0, 7).
Es decir, para calcular P(X ≥ 370) necesitarı́amos usar 131 veces la fórmula de probabilidad
binomial. Intentemos calcular b(370; 500, 0, 7). Reemplazando, obtenemos

b(370; 500; 0, 7) = 500
370 (0, 7)
370
(0, 3)500−370 .
Ahora, tratamos de encontrar el coeficiente binomial

500 500!
= .
370 370! 130!
Una calculadora manual no nos ayudará en este cálculo, y no deberá sorprendernos que
el computador personal tampoco lo haga. Más adelante, en el ejemplo 4.4.14, usaremos
una distribución normal para ayudarnos a aproximar la probabilidad de que al menos 370
abogados aprueben el examen de barras. ◭
En consecuencia, cuando nos encontramos con que un problema de la distribución bi-

nomial de probabilidad tiene una gran cantidad de experimentos (como es el caso del
ejemplo 4.4.8), podemos hacer uso de una aproximación a la distribución normal. En
los casos, en los que la cantidad es mayor de 30 o en los que np ≥ 5 y n(1 − p) ≥ 5 la
distribución normal da como resultado una aproximación a las probabilidades binomiales
y es fácil de calcular. Esta aproximación se muestra en el siguiente teorema:6
Teorema 4.4.9 (Aproximación de la binomial a la normal) Consideremos

un experimento binomial con parámetros n y p.
(a) Si n ≥ 30, entonces, la distribución binomial se puede aproximar a la dis-

tribución normal con µ = np y σ2 = np(1 − p).
(b) Si np ≥ 5 y n(1 − p) ≥ 5, entonces, también la distribución binomial se puede

aproximar a la distribución normal con µ = np y σ2 = np(1 − p).
Como la distribución normal es continua y la binomial es una distribución discreta,

podemos obtener mejores resultados si hacemos un ajuste en que se tenga en cuenta
este hecho cuando utilicemos la aproximación. Este ajuste, denominado correccción
de continuidad, se puede comprender mejor observando un histograma construido
con datos binomiales y con una curva suave superpuesta. Ilustremos esto con ayuda del
siguiente ejemplo.
Ejemplo 4.4.10 En la figura 4.9 presentamos un histograma construido con datos bino-
miales para n = 20 y p = 0, 3. En esa figura, la probabilidad de que X = x es igual al área
del rectángulo centrado en x. Por ejemplo, la probabilidad de que X = 8 es igual al área
del rectángulo centrado en 8. Podemos ver que este rectángulo se extiende de 7,5 a 8,5. Si
consultamos la tabla binomial (véase la tabla ?? del apéndice), encontramos que esta área
es igual a 0,1144. En la figura 4.9(a) aparece sombreada el área correspondiente.
6
Téngase en cuenta la observación que está después del ejemplo 4.4.11.
(a) P(X = 8) usando probabilidades bino- (b) P(7, 5 ≤ X ≤ 8, 5) usando aproxi-

miales. mación normal.
Fig. 4.9: Aproximación normal de la binomial con n = 20, p = 0, 3 y µ = np = 6

en la que se muestra P(X = 8).
Cuando utilizamos la aproximación normal de la binomial, debemos tener en cuenta el

hecho de que, para la binomial P(X = x) es el área del rectángulo centrado en x. Cuando
convertimos valores de X en valores de Z, la corrección de continuidad consiste en sumar
0,5 a, y/o restar 0,5 de, x, según sea conveniente. Para explicar esto mejor, utilicemos
la corrección de continuidad y la aproximación normal para hallar la probabilidad de que
X asuma un valor comprendido entre 7,5 y 8,5. Convirtiendo a valores de Z, haciendo
µ = np = 6 y σ2 = np(1 − p) = 4, 2 y utilizando la tabla normal (véase la tabla ?? del
apéndice), obtenemos que

8, 5 − 6 7, 5 − 6
P(7, 5 ≤ X ≤ 8, 5) = Φ √ −Φ √ = 0, 8888 − 0, 7673 = 0, 1215.
4, 2 4, 2
Notemos que este valor está razonablemente cerca a la probabilidad exacta de 0,1144 y esto
ejemplifica el teorema 4.4.9. El área bajo la curva normal correspondiente a P(7, 5 ≤ X ≤
8, 5) aparece sombreada en la figura 4.9(b). ◭
Ejemplo 4.4.11 Utilicemos el ejemplo anterior para hallar P(5 ≤ X ≤ 10). Utilizando
probabilidades binomiales, mediante la tabla binomial, encontramos que la respuesta es
0,7454. El área correspondiente aparece sombreada en la figura 4.10(a).
Por medio de la aproximación normal con µ = np = 6 y σ2 = np(1 − p) = 4, 2 y utilizando
la tabla normal (véase la tabla ?? del apéndice), obtenemos que

10, 5 − 6 4, 5 − 6
P(4, 5 ≤ X ≤ 10, 5) = Φ √ −Φ √ = 0, 9861 − 0, 2327 = 0, 7534.
4, 2 4, 2
El área bajo la curva normal correspondiente a P(7, 5 ≤ X ≤ 8, 5) aparece sombreada en
la figura 4.10(b). Nuevamente, vemos que la aproximación normal da un resultado muy
cercano a la probabilidad exacta. Si no hubiéramos utilizado la corrección de continuidad,
la aproximación normal hubiera dado

10 − 6 5−6
P(5 ≤ X ≤ 10) = Φ √ −Φ √ = 0, 9744 − 0, 3121 = 0, 6623.
4, 2 4, 2
(a) P(5 ≤ X ≤ 10) usando probabilidades (b) P(4, 5 ≤ X ≤ 10, 5) usando aproxi-
binomiales. mación normal.
Fig. 4.10: Aproximación normal de la binomial con n = 20, p = 0, 3 y µ = np = 6

en la que se muestra P(5 ≤ X ≤ 10).
Vemos que esta aproximación no está tan cercana a la probabilidad verdadera de 0,7454
como la aproximación obtenida empleando la corrección de continuidad. ◭
Es importante aclarar que por lo general se obtienen buenas aproximaciones de la bino-

mial por la normal usando el teorema 4.4.9 pero no siempre es ası́. Para ver esto, haga
n = 30, p = 0, 3 y calcule P(4 ≤ X ≤ 9) con y sin aproximación.
Cálculo de probabilidades binomiales con ayuda de una aproximación

normal
Ya hemos dicho que, en general, para pasar de una distribución binomial a una normal
se usa un factor de conversión de una variable discreta a continua de 0,5. Este término
0,5, llamado corrección de continuidad, es la corrección provocada por el cambio
de una distribución discreta a una continua. El siguiente teorema nos muestra cómo
calcular probabilidades binomiales con ayuda de una aproximación normal.
Teorema 4.4.12 (Aproximación de la binomial a la normal) Sea X una va-

riable aleatoria que tiene distribución binomial con parámetros n y p. Si se cumple
el teorema 4.4.12, entonces,
!
k + 0, 5 − np
P(X ≤ k) = B(k; n; p) ≈ Φ p .
np(1 − p)
Ejemplo 4.4.13 Un fabricante sabe por experiencia que, de 17.000 productos, el 4% es

rechazado por defectos. Si un nuevo lote de 800 unidades se van a inspeccionar, ¿cuál es la
probabilidad aproximada de que menos de 35 unidades sean rechazadas?
SOLUCION:
Sea X la variable aleatoria que representa el “número de productos rechazados”. Entonces,
X es una variable binomial con parámetros n = 800 y p = 0, 04. Como n ≥ 30, entonces,7
por el teorema 4.4.9(b), la distribución binomial se puede aproximar por la distribución
normal con µ = np = 32 y σ2 = np(1 − p) = 30, 72. Por consiguiente, teniendo en cuenta
el teorema 4.4.12, encontramos que

34 + 0, 5 − 32
P(X < 35) = P(X ≤ 34) = B(34; 800; 0, 04) ≈ Φ √ = Φ(0, 45) = 0, 6736.
30, 72
Por consiguiente, la probabilidad aproximada de que menos de 35 unidades sean rechazadas
es aproximadamente 0,6736. ◭
Ejemplo 4.4.14 Encuentre P(X ≥ 370) para el experimento binomial analizado en el ejem-
plo 4.4.8, donde n = 500 y p = 0, 70.
SOLUCION:
Como n ≥ 30, entonces, por el teorema 4.4.9(b), la distribución binomial se puede aproximar
por la distribución normal con µ = np = 350 y σ2 = np(1 − p) = 150. Por consiguiente,
teniendo en cuenta el teorema 4.4.12, encontramos que
P(X ≥ 370) = 1 − P(X ≤ 369) = 1 − B(369; 500; 0, 7)

369 + 0, 5 − 350
≈ 1−Φ √ = 1 − Φ(1, 59)
150
= 1 − 0, 9713 = 0, 0287.
Por consiguiente, P(X ≥ 370) = 0, 0287. ◭
Ejemplo 4.4.15 Un vendedor contacta telefónicamente con clientes potenciales para es-
tudiar si merece la pena una visita a domicilio. Su experiencia le indica que el 40% de
sus contactos por teléfono vienen seguidos de una visita a domicilio. Si contacta con 100
personas por teléfono, ¿cuál es la probabilidad aproximada de que se realicen entre 45 y 50
visitas (inclusives) como resultado?
SOLUCION:
Sea X la variable aleatoria que represena al “número de visitas a domicilio”. Entonces, X
es una variable binomial con parámetros n = 100 y p = 0, 4. Como n ≥ 30, entonces, por
el teorema 4.4.9(b), la distribución binomial se puede aproximar por la distribución normal
con µ = np = 40 y σ2 = np(1 − p) = 24. Por consiguiente, por el teorema 4.4.12, se obtiene
que
P(45 ≤ X ≤ 50) = P(X ≤ 50) − P(X ≤ 44) = B(50; 100; 0, 4) − B(44; 100; 0, 4)

50 + 0, 5 − 40 44 + 0, 5 − 40
≈ Φ √ −Φ √
24 24
= Φ(2, 14) − Φ(0, 92) = 0, 9838 − 0, 8212 = 0, 1626. ◭
Las medidas de curtosis y la distribución normal

Como ya se dijo en la sección ??, las medidas de curtosis o de apuntamiento se aplican
a distribuciones con forma de campana. Por esta razn, para su estudio se toma como
base a la distribución normal.
7
Observemos que también podemos aplicar la parte (b) del teorema, puesto que se cumplen que
np = 32 ≥ 5 y n(1 − p) = 768 ≥ 5.
Definición 4.4.16 Tomando la distribución normal como referencia, diremos que

una distribución puede ser más apuntada que la normal (es decir, leptocúrtica)
o menos apuntada (es decir, platicúrtica). A la distribución normal, desde el
punto de vista de la curtosis, se le llama mesocúrtica.
Con la curtosis se estudia la deformación, en sentido vertical, respecto a la normal, de una

distribución (véase la figura 4.11).
(a) Platicúrtica. (b) Mesocúrtica.
(c) Liptocúrtica.
Fig. 4.11: Diversos tipos de curvas clasificadas de acuerdo a su apuntamiento.
Las medidas de curtosis más comunes son el coeficiente de curtosis y el coeficiente de

curtosis estandarizado.
Definición 4.4.17 Sea X una variable aleatoria continua o discreta. Entonces, el

coeficiente de curtosis de X se define como la diferencia de la división de la
cuarta potencia de la esperanza de la variable X − E(X) y el cuadrado de la varianza
de X y 3, es decir,
E [X − E(X)]4
κ = − 3.
[V(X)]2
De igual manera, el coeficiente de curtosis de un conjunto de datos x1, . . ., xn
con frecuencias f1, . . . , fn se define como la diferencia de la división entre la media
aritmética de los datos (x1 − x)4, . . ., (xn − x)4 y el cuadrado de la varianza de los
datos originales. Es decir,

f1(x1 − x)4 + · · · + fn(xn − x)4 /N
κ = − 3,
(Varianza de los datos x1, . . ., xn)2
siendo N := f1 + · · · + fn. El coeficiente de curtosis estandarizado, sim-

bolizado por κs se define como el cociente entre el coeficiente de curtosis κ y la raiz
cuadrada de 6/N. Es decir,
κ
κs = p .
6/N
Una distribución es mesocúrtica (apuntamiento igual al de la normal ) cuando κ = 0; es leptocúrtica
(apuntamiento mayor que el de la normal) si κ > 0 y es platicúrtica (apuntamiento menor que el
de la normal) si κ < 0.
Ejemplo 4.4.18 Halle el coeficiente de curtosis para los siguientes datos:

Datos 61 64 67 70 73
Frecuencia 5 18 42 27 8
SOLUCION:
Podemos verificar que
199, 3759
κ = − 3 = 2, 7418 − 3 = −0, 2582.
(8, 5275)2
Por consiguiente, como κ < 0, se sigue que la distribución de los datos es platicúrtica con
respecto a la normal (o sea, más aplastada que la distribución normal). ◭

30. Sea Z una variable aleatoria normal estándar. Calcule las siguientes probabilidades, dibu-
jando figuras siempre que sea posible.
(a) P(Z ≤ 1, 42). (b) P(−2, 32 ≤ Z). (c) P(2, 50 ≤ Z).
(d) P(0 ≤ Z ≤ 1, 46). (e) P(−2, 91 ≤ Z ≤ 0). (f) P(−1, 0 ≤ Z ≤ 2, 5).
(g) P(2, 37 ≤ Z ≤ 3, 1). (h) P(|Z| ≤ 1, 50). (i) P(|Z| ≥ 1, 50).
31. Sea Z una variable aleatoria normal estándar. En cada caso, determine el valor de la
constante k que exprese correctamente el enunciado de probabilidad.
(a) P(Z ≤ k) = 0, 2946. (b) P(0 ≤ Z ≤ k) = 0, 384.
(c) P(k ≤ Z) = 0, 3446. (d) P(−k ≤ Z ≤ k) = 0, 7888.
(e) P(|Z| ≥ k)=0,0316.
32. Si X es una variable normal con media 90 y desviación estándar 20, calcule las siguientes
probabilidades.
(a) P(X ≤ 100). (b) P(X ≤ 80). (c) P(65 ≤ X ≤ 100).
(d) P(80 ≤ X). (e) P(85 ≤ X ≤ 95). (f) P(|X − 90| ≤ 10).
33. Dada una distribución normal estándar, encuentre el área bajo la curva que está
(a) a la izquierda de Z = 2, 43; (b) a la derecha de Z = −1, 89;
(c) entre Z = −1, 16 y Z = −0, 64; (d) a la izquierda de z = −1, 03;
(e) a la derecha de Z = 0, 96; (f) entre Z = −1, 48 y Z = 1, 35.
34. Encuentre los siguientes puntos percentiles para la distribución normal estándar e interprete
cada uno de sus resultados: 91-ésimo, 9-ésimo, 75-ésimo, 25-ésimo, 6-ésimo.
35. Se regula una máquina despachadora de café para que sirva un promedio de 200 mililitros
por vaso. Si la cantidad de bebida se distribuye normalmente con una desviación estándar
de 15 mililitros,
(a) ¿qué fracción de los vasos contendrán más de 191 mililitros?
(b) ¿Cuál es la probabilidad de que un vaso contenga entre 209 y 224 mililitros?
(c) ¿Cuántos vasos probablemente se derramarán si se utilizan vasos de 230 mililitros
para las siguientes 1.000 bebidas?
(d) ¿Por debajo de qué valor obtendremos un 25% de las bebidas más pequeñas?
36. Un investigador cientı́fico reporta que unos cocodrilos vivirán un promedio de 40 meses
cuando sus dietas se restringen drásticamente y después se enriquecen con vitaminas y
proteı́nas. Suponga que la vida de tales cocodrilos se distribuyen normalmente con una
desviación estándar de 6,3 meses, encuentre la probabilidad de que un cocodrilo dado viva
(a) más de 37 meses; (b) menos de 49 meses; (c) entre 37 y 49 meses.
37. La vida promedio de cierta maquinaria eléctrica es 10 años con una desviación estándar
de dos años. El fabricante reemplaza gratis todas las maquinarias que fallen dentro del
tiempo de garantı́a. Si está dispuesto a reemplazar sólo 3% de las maquinarias que fallan
y si la duración de una maquinaria sigue una distribución normal, ¿de qué duración debe
ser la garantı́a que ofrezca?
38. Los coeficientes de inteligencia de 600 aspirantes a cierta beca escolar en una universidad
extranjera se distribuyen aproximadamente normal con media de 115 y desviación estándar
de 12. Si la universidad requiere un coeficiente de inteligencia de al menos 95, ¿cuántos
de estos aspirantes serán rechazados sobre esta base sin importar sus otras calificaciones?
39. Un ejecutivo de una cadena de televisión está estudiando propuestas para nuevas series.
A su juicio, la probabilidad de que una serie tenga una audiencia mayor que 17,8 es 0,25.
Además, la probabilidad de que la serie tenga una audiencia mayor que 19,2 es 0,15.
Si la incertidumbre de este ejecutivo puede representarse mediante una variable aleatoria
normal, ¿cuál es la media y la desviación tı́pica de esta distribución?
40. Si el diámetro de una llanta de cierto tipo de auto está normalmente distribuı́do, ¿cuál es
la probabilidad de que el diámetro de una llanta seleccionado al azar esté (a) dentro de
1,5, (b) a más de 2,5, (c) entre 1 y 2 desviaciones estándar de su valor medio?
41. Supóngase que el contenido real de frascos para cierto tipo de vacuna está distribuido
normalmente con media de 137,2 gramos y una desviación estándar de 1,6 gramos. El
contenido establecido era 135 gramos.
(a) ¿Cuál es la probabilidad de que un solo frasco contenga más que el contenido estable-
cido?
(b) Entre 10 frascos seleccionados al azar, ¿cuál es la probabilidad de que por lo menos
8 contengan más del contenido establecido?
(c) Si se supone que la media permanece en 137,2 gramos, ¿a qué valor tendrı́a que
haberse cambiado la desviación estándar para que 95% de todos los frascos contengan
más de lo establecido?
42. Una determinada empresa puede comprar materia prima a dos proveedores diferentes y
está interesada en el contenido de impurezas del producto. Una revisión de los registros
de cada proveedor indica que los niveles de impurezas contenidos en sendas remesas
de producto siguen distribuciones normales con media y desviación tı́pica contenidas en
la tabla de abajo. La empresa está especialmente preocupada porque el contenido de
impurezas no exceda el 4%, y comprará al proveedor que con más probabilidad cumpla
con este requisito. ¿Qué proveedor habrá que elegir?
Media Desviación tı́pica

Proveedor A 3,3 0,3
Proveedor B 3,1 0,5
43. Un grupo grande de alumnos hace un examen de estadı́stica. Las notas se distribuyen
según una normal de media 3,5. Además, la probabilidad de que un alumno elegido al
azar obtenga una nota menor que 4,2 es 0,7580. Se eligen dos estudiantes al azar, ¿cuál
es la probabilidad de que al menos uno de ellos obtenga más de 4,0 en el examen.
44. Supongamos que el peso de paquetes enviados de cierto modo es una variable aleatoria
con distribución normal con valor medio de 10 libras y desviación estándar de 2 libras. El
servicio de paqueterı́a desea establecer un valor de peso k, más allá del cual habrá cargo
extra. ¿Cuál valor de k es tal que 99% de todos los paquetes pesen por lo menos 1 libra
abajo del peso con cargo extra?
45. La probabilidad de que un estudiante universitario fume en cierta ciudad es 0,9. De los
siguientes 100 estudiantes encuestados, determine la probabilidad de que (a) entre 83 (no
inclusive) y 95 (inclusive) fumen, (b) por lo menos 14 no fumen.
46. Una determinada empresa produce circuitos eléctricos para un computador. Las especifi-
caciones de las partes sugieren que 95% de los circuitos cumplen con las especificaciones.
Las partes se embarcan en lotes de 100 a los clientes.
(a) ¿Cuál es la probabilidad de que más de 2 circuitos estén defectuosos en un lote dado?
(b) ¿Cuál es la probabilidad de que más de 10 circuitos estén defectuosos en un lote?
(c) ¿Cuál es la probabilidad de que más de 9 circuitos no estén defectuosos en un lote?
47. Suponga que 90% de todas los trabajadores que hay en una determinada empresa no
fuman. Considere una muestra aleatoria de 200 trabajadores y represente con X a la
cantidad de trabajadores que fuman. ¿Cuál es la probabilidad aproximada de que X (a)
sea a lo sumo 30? (b) sea más de 30? (c) esté entre 15 (inclusive) y 25 (no inclusive)?
48. Suponga que sólo 80% de todos las personas mayores de 18 años que viven en cierto
pueblo cerca del mar saben nadar. Se selecciona al azar una muestra de 200 personas
mayores de 18 años del pueblo. ¿Cuál es la probabilidad de que
(a) entre 50 y 100 (ambos inclusive) de las personas mayores de 18 años del pueblo no
sepan nadar?
(b) menos de 140 de las personas mayores de 18 años del pueblo sepan nadar? ¿Y más
de 150?
4.5 Las distribuciones gamma y exponencial 40
4.5 Las distribuciones gamma y exponencial

A pesar de que la distribución normal puede utilizarse para resolver problemas de in-
genierı́as y ciencias, existen aún numerosas situaciones que requieren diferentes tipos
de funciones de densidad. En esta sección se presentan dos de ellas, las distribuciones
gamma y exponencial.8
En general, el origen de la distribución gamma trata con el tiempo (o espacio) hasta

la ocurrencia de cierta de α eventos de Poisson (como explicaremos al final de esta
sección), hay muchos ejemplos donde una distribución gamma trabaja muy bien aunque
no exista un a estructura de Poisson clara. Esto es particularmente cierto para proble-
mas de tiempo de supervivencia en aplicaciones de ingenierı́as y biomédicas (véase los
ejemplos 4.5.8 y 4.5.12). Inclusive, las distribuciones gamma y exponencial juegan un
papel importante tanto en teorı́a de colas como en problemas de confiabilidad (véase los
ejemplos 4.5.16 y 4.5.17). El tiempo entre las llegadas en las instalaciones de servicio
y el tiempo de falla de los componentes y sistemas eléctricos involucran la distribución
exponencial.
La función gamma y sus propiedades

La distribución gamma toma su nombre de la llamada función gamma, que se estudia
en muchas áreas de las matemáticas. Antes de proceder al estudio de la distribución
gamma, debemos revisarse esta función y algunas de sus propiedades importantes.
Definición 4.5.1 La función gamma Γ : (0, ∞) −→ R se define como

Z∞
Γ (α) := e−t tα−1 dt, para todo α > 0.
0
Las propiedades más importantes de la función gamma son las que se presentan en el
siguiente
Teorema 4.5.2 (Propiedades de la función gamma) La función gamma sa-

tisface las siguientes propiedades:
(a) Para cualquier α > 0, se cumple que Γ (α + 1) = αΓ (α).
(b) Para cualquier número natural n, tenemos que Γ (n) = (n − 1)!.

√
(c) Γ 12 = π.
El uso del teorema 4.5.2 se ilustra en los siguientes dos ejemplos.
8
Más adelante veremos que la distribución exponencial es un caso especial de la distribución
gamma.
∞
R
Ejemplo 4.5.3 Evalúe la integral e−t t3 dt.
0
SOLUCION:
Evaluar esta integral con los métodos de fundamentos de cálculo precisa de aplicaciones
repetidas de integración por partes o por el método de integración tabular. A fin de evaluar
rápidamente la integral, se tendrá en cuenta la definición 4.5.1 y luego se aplicará el teorema
4.5.2:
∞
Z ∞
Z
−t 3
e t dt = e−t t4−1 dt = Γ (4) = 3! = 6. ◭
0 0
Ejemplo 4.5.4 Verifique que la siguiente la función f es una densidad de una variable
aleatoria continua X:
1 −x/3 2
e x para x > 0
f(x) =: 54
0, de otra manera.
SOLUCION:
Debido a f(x) ≥ 0 para todo x ∈ R, sólo debemos probar que
∞
Z ∞
Z
1 −x/3 2
f(x) dx = e x dx = 1.
54
−∞ 0
Para evaluar la segunda integral, se realiza un cambio de variable, técnica de amplio uso en
la obtención de propiedades de la distribución gamma. En particular, sea t = x/3, de donde
dx = 3dt. Ahora, teniendo en cuenta esta sustitución, la definición 4.5.1 y el teorema 4.5.2,
se tiene que
∞
Z ∞
Z ∞
Z
1 −x/3 2 1 −t 1 −t 2 1 2!
e x dx = e (3t)2 3 dx = e t dx = Γ (3) = = 1. ◭
54 54 2 2 2
0 0 0
La distribución gamma
Ahora es posible definir la distribución gamma.
Definición 4.5.5 Una variable aleatoria X tiene distribución gamma con

parámetros α > 0 y β > 0 si su función de densidad está dada por

1
α xα−1 e−x/β para x > 0
f(x; α; β) =: β Γ(α)
0, de otra manera.
Cuando β = 1, la distribución se conoce con el nombre de distribución gamma

estándar.
La figura 4.12 ilustra las gráficas de la función de densidad gamma f para diferentes
valores de los parámetros α y β.
Ejemplo 4.5.6 Observemos que la función f definida en el ejemplo 4.5.4 es la densidad

correspondiente a una variable aleatoria X que tiene distribución gamma con parámetros
α = 3 y β = 3. ◭
(a) α = 1, 2, 3 y β = 1.
(b) α = 2 y β = 2, 1, 12 .
Fig. 4.12: Función de densidad f de la distribución gamma para diferentes valores

de α y β.
Cálculo de probabilidades a partir de la distribución gamma

Primero, la siguiente definición:
Definición 4.5.7 Sea X una variable aleatoria que tiene distribución gamma
estándar con parámetro α. La función de distribución acumulada F de X, dada
por
Zt
1
F(t; α) = e−x xα−1 dx, x > 0,
Γ (α)
0
recibe el nombre de función gamma incompleta.
Hay tablas muy completas para la función gamma incompleta. En el apéndice presentamos
una pequeña tabulación de esta función para α = 1, 2, . . . , 10 y x = 1, 2, . . . , 15 (véase la tabla ??
del apéndice).
Ejemplo 4.5.8 Suponga que el tiempo de reacción X a cierto estı́mulo en un individuo

seleccionado al azar tiene distribución gamma estándar con parámetro α = 2. Determine la
probabilidad de el tiempo de reacción (a) se encuentre entre 3 y 5 (ambos inclusive) y (b)
sea estrictamente mayor que 4.
SOLUCION:
Sea F la función gamma incompleta de X. Teniendo en cuenta el teorema 4.1.9 y la tabla ??
del apéndice, tenemos que las probabilidades pedidas son
P(3 ≤ X ≤ 5); = F(5; 2) − F(3; 2) = 0, 960 − 0, 801 = 0, 159
y
P(X > 4) = 1 − P(X ≤ 4) = 1 − F(4; 2) = 1 − 0, 908 = 0, 092,
respectivamente. ◭
La función gamma incompleta también la podemos utilizar para calcular probabilidades

en las que aparezcan distribuciones gamma que no sean estándar.
Teorema 4.5.9 Sea X una variable aleatoria que tiene distribución gamma con
parámetros α y β. Si F es la función gamma incompleta de una variable aleatoria
gamma estándar con parámetro α, entonces, para todo t > 0, se cumple que

t
P(X ≤ t) = F ;α .
β
Ejemplo 4.5.10 Suponga que el tiempo X de supervivencia en semanas de un ratón macho

seleccionado al azar y expuesto a 240 rads de radiación gamma tiene una distribución gamma
con α = 8 y β = 15. Determine la probabilidad de que un ratón sobreviva (a) entre 60 y
120 semanas y (b) por lo menos 130 semanas.
SOLUCION:
Sea F la función gamma incompleta de una variable aleatoria gamma estándar con parámetro
α = 8. Entonces, la probabilidad de que un ratón sobreviva entre 60 y 120 semanas es

120 60
P(60 ≤ X ≤ 120) = P(X ≤ 20) − P(X ≤ 60) = F ;8 − F ;8
15 15
= F(8; 8) − F(4; 8) = 0, 547 − 0, 051 = 0, 496
y la probabilidad de que el ratón sobreviva por lo menos 130 semanas es

30
P(X ≥ 30) = 1 − P(X ≤ 30) = 1 − F ; 8 = 1 − F(2; 8) = 0, 999. ◭
15
Esperanza y varianza de la distribución gamma

La media y la varianza de una variable aleatoria gamma la podemos calcular con ayuda
del siguiente teorema:
Teorema 4.5.11 Se X una variable aleatoria que tiene distribución gamma con
parámetros α y β. Entonces, E(X) = αβ y V(X) = αβ2.
Ejemplo 4.5.12 Sea X como en el ejemplo 4.5.8. Entonces, el tiempo esperado de super-
viviencia
√ es E(X) = 8 · 15 = 120 semanas, en tanto que σ2 = V(X) = 8 · 152 = 1.800 y
σ = 1.800 = 42, 43 semanas. ◭
Ejemplo 4.5.13 Supongamos que la experiencia demuestra que el tiempo X (en minutos)
necesario para dar mantenimiento periódico a un dictáfono sigue una distribución gamma
con α = 3, 1 y β = 2. A un nuevo técnico en mantenimiento le toma 22,5 minutos revisar la
máquina. ¿Concuerda este tiempo utilizado en el mantenimiento al dictáfono con el perı́odo
anterior?
SOLUCION:
La media y varianza de los tiempos de mantenimiento (con base en la experiencia anterior)
son, de acuerdo con el teorema 4.5.11:
µ = αβ = (3, 1)(2) = 6, 2 y σ2 = αβ2 = (3, 1)(22 ) = 12, 4.

√
Se deduce que σ = 12, 4 = 3, 52. Advierta que x = 22, 5 minutos supera a la media
µ = 6, 2 minutos por 16,3 minutos o, k = 16, 3/3, 52 = 4, 63 desviaciones estándar. Ası́,
según la regla de Tchebychev (compárese con el teorema 4.2.15),
1
P(|X − 6, 2| ≤ 16, 3) = P(|X − µ| ≤ 4, 63σ) ≥ 1 − = 0, 9534.
(4, 63)2
Por lo tanto,
P(|X − 6, 2| ≥ 16, 3) = 1 − P(|X − 6, 2| ≤ 16, 3) ≤ 1 − 0, 9534 = 0, 0466.
Esta probabilidad se basa en el supuesto de que la distribución de los tiempos de manteni-

miento no es diferente de lo establecido. Por consiguiente, si observamos que P(X ≥ 22, 5)
es pequeña, debemos concluir que nuestro nuevo técnico en mantenimiento generó por azar
un perı́odo de mantenimiento prolongado, que tiene baja probabilidad de ocurrir, o que es
más lento que los anteriores. Si tomamos en cuenta la baja probabilidad de P(X ≥ 22, 5),
optamos por la última probabilidad. ◭
La distribución exponencial
Finalizamos este capı́tulo introduciendo otra distribución continua, la distribución expo-
nencial. Esta distribución resulta de gran utilidad para resolver problemas de listas de
espera y colas. Cuando el tiempo de servicio a un cliente es aleatorio, esta incertidumbre
puede representarse a menudo mediante una distribución exponencial. La distribución

exponencial difiere de la normal en una caracterı́stica básica: se restringe a variables
aleatorias cuya función de densidad no es simétrica alrededor de la media.
Definición 4.5.14 Una variable aleatoria X tiene distribución exponencial con

parámetro λ > 0, si y sólo si su densidad está dada por

0, para x < 0,
f(x; λ) = −λx
λe para x ≥ 0,
La distribución exponencial es un caso especial de la distribución gamma en la que α = 1 y

1 1
β se ha reemplazado por 1/λ. En este caso, E(X) = λ
y V (X) = λ2
.
Las gráficas de varias densidades exponenciales aparecen en la figura 4.13.
Fig. 4.13: Función de distribución exponencial para β = 2, 1, 21 , siendo β = 1/λ.
A diferencia de la función de densidad gamma, la función de densidad exponencial se

puede integrar fácilmente. En particular, la función de distibución acumulada de una
variable aleatoria que tiene distribución exponencial con parámetro λ está dada por

0, para t < 0,
F(t; λ) = −λt
1 − e , para t ≥ 0.
A continuación, presentaremos algunos casos de aplicaciones en donde aparecen varia-

bles aleatorias que frecuentemente se describen a través de una distribución exponencial:
duración de una llamada telefónica, diferencia de tiempo entre la aparición de perturba-
ciones en una máquina de parqueo o, más general, entre la aparición de clientes en un
puesto de servicio, vida de un objeto o de un ser vivo.
Ejemplo 4.5.15 El tiempo en horas durante el cual un generador eléctrico es operacional

1
es una variable aleatoria X que sigue la distribución exponencial con λ = 160 . Entonces,
la función de distribución de la distribución exponencial de X será F(t) = 1 − e−t/160 para

t ≥ 0. Por consiguiente, la probabilidad para que un generador de este tipo sea operacional
por más de 200 horas está dada por
P(X > 200) = 1 − F(200) = e−1,25 = 0, 2865. ◭
Ejemplo 4.5.16 El tiempo de atención al cliente en un servicio de información de una

biblioteca sigue una distribución exponecial, con un tiempo de servicio medio de 5 minutos.
Cuál es la probabilidad de que una consulta de un cliente dure más de 10 minutos?
SOLUCION:
Sea X la variable aleatoria que representa al “tiempo de atención” (en minutos). Entonces, X
tiene distribución exponencial con parámetro λ = 1/5. Con esto, su función de distribución
exponencial está dada por F(t) = 1 − e−t/5 para t ≥ 0. Por consiguiente, la probabilidad
pedida será
P(X > 10) = 1 − F(10) = e−10/5 = 0, 135335. ◭
En el siguiente ejemplo mostramos una aplicación simple de la distribución exponen-

cial a un problema de confiabilidad. La distribución binomial también juega un papel
importante en la solución.
Ejemplo 4.5.17 Suponga que un sistema contiene cierto tipo de componente cuyos tiempo
de falla en años está dado por X. La variable aleatoria X se modela mediante la distribución
exponencial con tiempo medio para la falla λ = 1/5. Si se instalan cinco de estos compo-
nentes en diferentes sistemas, ¿cuál es la probabilidad de que al menos dos aún funcionen al
final de ocho años?
SOLUCION:
La probabilidad de que un componente dado aún funcione después de ocho años está dad
por
P(X > 8) = e−8/5 ≈ 0, 2.
Sea Y la variable aleatoria que representa al número de componentes que funcionan después
de ocho años. Entonces, con el uso de la tabla de la distribución binomial con parámetros
n = 5 y p = P(X > 8) = 0, 2, tenemos
P(Y ≥ 2) = 1 − P(X ≤ 1) = 1 − 0, 737 = 0, 263. ◭
Aproximación de la distribución de Poisson a la exponencial

Las aplicaciones más importantes de la distribución exponencial son situaciones donde se
aplica el Proceso de Poisson (véase la sección ??). El lector debe recordar que el proceso
de Poisson permite el uso de la distribución discreta llamada distribución de Poisson.
Recordemos que la distribución de Poisson se utiliza para calcular la probabildiad de
números especı́ficos de “eventos” durante un perı́odo o espacio particular. Por ejemplo,
un ingeniero industrial puede interesarse en modelar el tiempo T entre llegadas a una
intersección congestionada durante una hora pico en una ciudad grande. Una llegada
representa el evento de Poisson.
La relación entre la distribución exponencial (a menudo denominada exponencial ne-

gativa) y el proceso de Poisson es bastante simple. En la sección ?? se desarrolló la
distribución de Poisson como una distribución de un sólo parámetro con parámetro λ,
donde λ la podemos interpretar como el número medio de eventos por unidad de tiempo.
Consideremos ahora la variable aleatoria descrita por el tiempo que se requiere para que
ocurra el primer evento. Con el uso de la distribución de Poisson, encontramos que la
probabilidad de que no ocurra algún evento, en el perı́ odo hasta el tiempo t está dada
por
e−λt(λt)0
P(0; λt) = = e−λt.
0!
Podemos utilizar ahora lo anterior y hacer que X sea el tiempo para el primer evento de
Poisson. La probabilidad de que la duración del tiempo hasta el primer evento exceda
x es la misma que la probabilidad de que no ocurra algún evento de Poisson en x. Esto
último, por supuesto, está dado por e−λx. Como resultado,
P(X ≥ x) = e−λx.
Ası́ la función de distribución acumulada para X está dada por
P(0 ≤ X ≤ x) = 1 − e−λx,
que es la función de distribución acumulada exponencial con parámetro λ. Este resultado

se puede resumir en el siguiente teorema:
Teorema 4.5.18 (Aproximación de la Poisson a la exponencial) Si el nú-

mero de ocurrencias de un suceso en un intervalo de tiempo sigue una distribución
de Poisson con media λ, entonces, el tiempo que pasa entre dos ocurrencias conse-
cutivas del suceso sigue una distribución exponencial con parámetro λ.
Ejemplo 4.5.19 En el ejemplo ?? consideramos una tı́pica planta industrial en Gran

Bretaña con 2.000 empleados para la cual el número de huelgas al cabo de un año podı́a
representarse mediante una distribución de Poisson con media λ = 0, 4. Por tanto, el tiempo
(en años) entre dos huelgas consecutivas tiene una distribución exponencial con parámetro
λ = 0, 4 años. Por ejemplo, si F es función de distribución acumulada exponencial, entonces,
la probabilidad de que pasen menos de 2 años entre dos huelgas consecutivas es
P(X < 2) = F(2; 0, 4) = 1 − e−(0,4)(2) = 1 − 0, 449329 = 0, 550671. ◭
Ejemplo 4.5.20 Suponga que se reciben llamadas en una lı́nea telefónica de emergencias
las 24 horas del dı́a, según un porceso de Poisson con tasa λ = 0, 5 llamadas por dı́a.
Entonces, el número de dı́as X entre llamadas sucesivas tiene una distribución exponencial
con parámetro de 0,5, por lo que la probabilidad de que transcurran más de dos dı́as entre
llamadas es
P(X > 2) = 1 − P(X ≤ 2) = e−(0,5)(2) = 0, 368.
El tiempo esperado entre llamadas sucesivas es 1/0, 5 = 2 dı́as. ◭
En lo anteriormente mencionado proporcionamos las bases para la aplicación de la dis-

tribución exponencial en el “tiempo de llegada” o tiempo para problemas de eventos
de Poisson. Notemos que la media de la distribución exponencial es el parámetro λ, el
parámetro en la distribución de Poisson. El lector debe recordar que con frecuencia se
dice que la distribución de Poisson no tiene memoria, lo que implica que las ocurrencias
en perı́odos sucesivos son independientes. El parámetro λ importante es el tiempo medio
entre eventos. En teorı́a de confiabilidad, donde la falla de equipo a menudo se ajusta a

este proceso de Poisson, λ se llama tiempo medio entre fallas. Muchas descom-
posturas de equipo siguen el proceso de poisson , y por ello se aplica la distribución
exponencial como se hizo en el ejemplo 4.5.17 para un problema de confiabilidad.
Aproximación de la distribución de Poisson a la gamma

La importancia de la distribución gamma está en el hecho de que define una familia de la
que otras distribuciones son casos especiales. Pero la gamma misma tiene aplicaciones
importantes en tiempo de espera y teorı́a de confiabilidad. Mientras que la distribución
exponencial describe el tiempo hasta la ocurrencia de un evento de Poisson (o el tiempo
entre eventos de Poisson), el tiempo (o espacio) que transcurre hasta que ocurre un
número especı́fico de eventos de Poisson es una variable aleatoria cuya funci’on de
densidad está descrita por la de la distribución gamma. Ası́ se vuelve fácil comprender
que cuando α = 1, ocurre el caso especial de la distribución exponencial. La densidad
gamma se puede desarrollar de su relación con el proceso de Poisson de la misma manera
en que lo hicimos con la densidad exponencial (véase el teorema 4.5.18). Los detalles se
dejan al lector. El siguiente es un ejemplo numérico del uso de la distribución gamma
en una aplicación de tiempo de espera.
Ejemplo 4.5.21 Suponga que las llamadas telefónicas que llegan a un conmutador particu-
lar siguen un proceso de Poisson con un promedio de cinco llamadas que llegan por minuto.
¿Cuál es la probabilidad de que pase más de un minuto hasta que lleguen dos llamadas al
conmutador?
SOLUCION:
El proceso de Poisson se aplica al tiempo que pasa hasta la ocurrencia de dos eventos de
Poisson que siguen una distribución gamma con α = 2 y β = 1/5. Sea X la variable aleatoria
que representa el tiempo en minutos que transcurre antes que lleguen dos llamadas. La
probabilidad que se requiere está dada por

1
P(X ≤ 1) = F ; 2 = F(5; 2) = 0, 960,
1/5
siendo F la función gamma incompleta.

49. Si Γ y F representan la función gamma y la función gamma incompleta, respectivamente,
calcule: (a) Γ (8), (b) Γ (3/2), (c) F(5; 7), (d) F(8; 4), (e) F(1; 6).
50. Considere que X tiene una distribución gamma estándar con α = 8. Calcule: (a) P(X ≤ 3),
(b) P(X > 5), (c) P(2 ≤ X ≤ 7), (d) P(X < 3 ó X > 7).
51. Suponga que el tiempo (en horas) tomado por una cocinea para preparar una deliciosa
comida es una variable aleatoria X que tiene una distribución gamma con parámetros
α = 2 y β = 1/2. ¿Cuál es la probabilidad de que tarde (a) a lo sumo 1 hora, (b) por lo
menos 2 horas,(c) entre 0,5 y 1,5 horas para preparar la comida?
52. Suponga que el tiempo que dura una persona seleccionada al azar, en hablar por teléfono
tiene una distribución gamma con media de 20 minutos y varianza de 80 minutos cuadra-
dos.
(a) ¿Cuáles son los valores de α y β?

(b) ¿Cuál es la probabilidad de que una persona dure a lo sumo 24 minutos hablando por
teléfono?
(c) ¿Cuál es la probabilidad de que una persona dure entre 20 y 40 minutos hablando por
teléfono?
53. En cierta ciudad, el consumo diario de agua (en millones de litros) sigue aproximadamente
una distribución gamma con α = 2 y β = 3. Si la capacidad diaria de dicha ciudad es
9 millones de litros de agua, ¿cuál es la probabilidad de que en cualquier dı́a dado el
suministro de agua sea insuficiente?
54. Suponga que el tiempo (en horas) que se necesita para reparar un circuito eléctrico es
una variable aleatoria que tiene distribución gamma con parámetros α = 2 y β = 12 .
Determine la probabilidad de que la siguiente llamada de servicio requiera (a) a lo más
una hora, (b) al menos dos horas para reparar el circuito eléctrico.
55. Un reconocido cientı́fico ha determinado que el tiempo de supervivencia (en semanas)
de un animal cuando se le somete a cierta exposición de radiación gamma tiene una
distribución gamma con α = 5 y β = 10.
(a) ¿Cuál es el tiempo medio de supervivencia de un animal seleccionado al azar del tipo
que se utilizó en el experimento?
(b) ¿Cuál es la desviación estándar del tiempo de supervivencia?
(c) ¿Cuál es la probabilidad de que un animal sobreviva más de 30 semanas?
56. Se sabe que la duración de cierto tipo de componente electrónico
√ sigue una distribución
gamma con media de 10 semanas y desviación estándar de 50 semanas. ¿Cuál es la
probabilidad de que el transistor dure a lo más 10 semanas?
57. El tiempo que una persona debe esperar para que sea atendido en una tienda es una
variable aleatoria que tiene distribución exponencial con una media de 4 minutos. ¿Cuál
es la probabilidad de que una persona sea atendida en menos de tres minutos en al menos
cuatro de los siguientes seis dı́as?
58. El tiempo de respuesta de una computadora es una aplicación importante de las distribu-
ciones gamma y exponencial. Suponga que un estudio de cierto sistema de computadoras
revela que el tiempo de respuesta en segundos tiene una distribución exponencial con una
media de tres segundos. ¿Cuál es la probabilidad de que el tiempo de respuesta (a) exceda
5 segundos, (b) no exceda 10 segundos?
59. Suponga que la vida de cierto tipo de baterı́a tiene una tasa de falla constante anunciada
de 0,01 por hora y que tiene distribución exponencial.
(a) ¿Cuál es el tiempo medio de falla?
(b) ¿Cuál es la probabilidad de que pasen 300 horas antes de que se observen dos fallas?
60. Sea X la variable aleatoria que representa al tiempo entre dos entradas sucesivas a un
banco. Si X tiene una distribución exponencial con parámetro λ = 1, calcule:
(a) El tiempo esperado entre dos entradas sucesivas.
(b) La desviación estándar entre entradas sucesivas.
(c) P(X ≤ 4).
(d) P(2 ≤ X ≤ 5).
4.6 Uso de Statgraphics para trabajar con distribuciones continuas 50
61. Sea X la distancia en centı́metros que un estudiante de bachillerato puede saltar en una
prueba de salto largo. Suponga que X tiene una distribución exponencial con parámetro
λ = 0, 01386.
(a) ¿Cuál es la probabilidad de que la distancia esté entre 100 y 200 centı́metros?
(b) ¿Cuál es la probabilidad de que la distancia sea mayor que la distancia promedio en
más de 2 desviaciones estándar?
62. Supóngase que el tiempo hasta que se presente una falla en el funcionamiento de ciertas
maquinarias eléctricas se puede modelar a través de una distribución exponencial. Suponga
que el tiempo medio hasta una falla es de 25.000 horas. ¿Cuál es la probabilidad de que
(a) una máquina seleccionada al azar dure por lo menos 20.000 horas? ¿A lo sumo 30.000
horas? ¿Entre 20.000 y 30.000 horas?
(b) la duración de una máquina exceda el valor medio en más de 2 desviaciones estándar?
¿En más de 3 desviaciones estándar?
63. Suponga que el tiempo gastado (en horas) por un automóvil para llegar a un destino
determinado sigue una distribución exponencial con parámetro λ = 0, 93.
(a) ¿Cuál es tiempo gastado esperado por un automóvil y cuál es la desviación estándar
del tiempo gastado por un automóvil?
(b) ¿Cuál es la probabilidad de que el tiempo gastado por un automóvil exceda 3,0? ¿Cuál
es la probabilidad de que el tiempo gastado por un automóvil se encuentre entre 1,0
y 3,0?
(c) ¿Cuál valor se excede por sólo 10% en todos los tiempos gastados por un automóvil?
4.6 Uso de Statgraphics para trabajar con distribuciones

continuas
Siguiendo las recomendaciones hechas en la sección ??, con ayuda del Statgraphics,
también podemos calcular probabilidades que involucren a distribuciones continuas.
Ejemplo 4.6.1 Calcule la probabilidad pedida en el ejemplo ?? utilizando la aproximación

a la normal.
SOLUCION:
Para hacer el cálculo con la aproximación normal, obtenemos, previamente fuera del pro-
grama, los valores de la media y desviación tı́pica correspondientes µ = 7, 5 y σ = 2, 67.
Luego, pulsamos en el ı́cono Input Dialog (primer ı́cono, rojo) y escogemos la distribución
normal. Ahora, pulsamos el botón derecho del ratón, escogemos Analysis Options y fijamos
el valor de la media (Mean) en 7,5 y el de la desviación tı́pica (Standard Deviation) en 2,67.
Pulsamos nuevamente el botón derecho del ratón, escogemos Pane Options y fijamos el valor
de la variable (Random variable) en 6,5. La solución que da el programa es F(6, 5) (Lower
tail area) = 0, 354. ◭
Ejemplo 4.6.2 El tiempo transcurrido entre el final de la carrera y el inicio del primer
empleo en un paı́s es una variable aleatoria exponencial con media 5 meses. Calcule:
(a) La probabilidad de que un recién titulado encuentre trabajo en menos de tres meses.
(b) El percentil del 90% de la distribución.
SOLUCION:
Cap. 4. Ejercicios complementarios 51
(a) Pulsamos el ı́cono Input dialog (primer ı́cono, rojo) y escogemos la distribución expo-
nencial. Pulsamos el botón derecho del ratón, escogemos Analysis Optións y fijamos
el valor de la media (Mean) en 5. Pulsamos nuevamente el botón derecho del ratón,
escogemos Pane Optións fijamos el valor de la variable (Random variable) en 3. La
solución que da el programa es F(3) (Lower tail area) = 0, 451.
(b) Para calcular el percentil, pulsamos en el ı́cono Tabular options (segundo ı́cono, amarillo)
y elegimos Inverse CDF. Pulsamos el botón derecho del ratón, escogemos Pane Optións
y fijamos el valor de la probabilidad (CDF) en 0,9. La solución que da el programa es
11,51. (La probabilidad de que un recién titulado tarde más de 11,51 es 0,10). ◭

s 64. Utilizando la opción Plot. . .Probability Distributions. . .Uniform de Statgraphics, realizar:
(a) Los ejemplos 4.3.2 y 4.3.3.
(b) Los ejercicios 24, 25 (inciso b), 26 y 28 (incisos a y b).
s 65. Utilizando la opción Plot. . .Probability Distributions. . .Normal de Statgraphics, realizar:

(a) Los ejemplos 4.4.2, 4.4.4, 4.4.6 y 4.4.7.
(b) Los ejercicios 30 (incisos a, b, c y d), 32 (incisos b y c), 35, 36 y 41 (incisos a y b).
s 66. Utilizando la opción Plot. . .Probability Distributions. . .Gamma de Statgraphics, realizar:

(a) Los ejemplos 4.5.8 y 4.5.12.
(b) Los ejercicios 50, 51, 53 y 55 (inciso c).
s 67. Utilizando la opción Plot. . .Probability Distributions. . .Exponential de Statgraphics, re-

alizar:
(a) Los ejemplos 4.5.15 y 4.5.16.
(b) Los ejercicios 57, 58, 59 (inciso b), 60, 61 y 63 (inciso b).
✍ Ejercicios complementarios
68. ¿Son las siguientes afirmaciones verdaderas o falsas? Justifique cada respuesta.
(a) Toda variable aleatoria continua es un número.
(b) Si f es la función de densidad de una variable aleatoria continua X, entonces, f(x) =
P(X = x), para todo número real x.
(c) Para cualquier variable aleatoria continua X se cumple que P(X = 1) = 1.
(d) Si F es la función de distribución acumulada de una variable aleatoria X continua,
entonces, F es una función escalonada
(e) Si X es una variable aleatoria continua con función de distribución acumulada F,
entonces, se cumple que P(4 ≤ X < 8) = F(8) − F(4).
(f) Si X es cualquier variable aleatoria continua, entonces, la desviación estándar de la
variable aleatoria X + 3 es igual a la desviación estándar de X.
(g) Si X es cualquier variable aleatoria continua y si la variable aleatoria X + 4 tiene
esperanza 1, entonces, la esperanza de X es 5.
69. Encuentre el valor z de una variable aleatoria Z que tiene distribución normal estándar si
el área bajo la curva normal estándar
(a) a la izquierda de z es 0,6378;
(b) a la derecha de z es 0,8869;
(c) entre 0 y z > 0 es 0,4750;
(d) entre −z y z es 0,9676.
70. Sea X una variable aleatoria distribuida normalmente con media 18 y varianza 1. Encuentre
el valor de k tal que (a) P(X < k) = 0, 8186, (b) P(X > k) = 0, 7764.
71. Dada una distribución normal con media 30 y varianza 4, encuentre:
(a) el área de la curva normal a la izquierda de x = 32;
(b) el área de la curva normal a la derecha de x = 36;
(c) el área de la curva normal entre x = 32 y x = 36;
(d) el valor de x que tiene 67% del área de la curva normal a la izquierda;
(e) los dos valores que contienen un 75% central del área de la curva normal.
72. Un sexto de los cientı́ficos que asisten a un Congreso Nacional de Estadı́stica son de origen
extranjero. Si los cientı́ficos se deben quedar en un hotel que tiene sólo 180 habitaciones
disponibles y si la asignación de las habitaciones es aleatoria, ¿cuál es la probabilidad
de que en una habitación dada, al menos un quinto de los estudiantes sea de origen
extranjero?
73. Si 20% de los habitantes de cierta ciudad prefieren un Mercedes Benz sobre cualquier otro
modelo de auto, ¿cuál es la probabilidad de que entre los siguientes 1.000 autos vendidos
en esta ciudad
(a) entre 170 (no inclusive) y 185 (inclusive) sean Mercedes Benz?
(b) al menos 810 pero no más de 825 no sean Mercedes Benz?
74. La resistencia de tracción de cierto componente de metal se distribuye normalmente con
una media de 10.000 kilogramos por centı́metro cuadrado y una desviación estándar de
100 kilogramo por centı́metro cuadrado. Las mediciones se registran a los 50 kilogramos
por centı́metro cuadrado más cercanos.
(a) ¿Qué proporción de estos componentes excede 10.150 kilogramos por centı́metro
cuadrado de resistencia a la tracción?
(b) Si las especificaciones requieren que todos los componentes tengan resistencia a la
tracción entre 9.800 y 10.200 kilogramos por centı́metro cuadrado inclusive, ¿qué
proporción de piezas esperarı́a que se descartará?
75. Un proceso de fabicación de tornillos tiene 1% de defectuosos. Un plan de control de
calidad es seleccionar 100 tornillos del proceso, y si ninguno está defectuoso el proceso
continúa. Encuentre la probabilidad de que
(a) el proceso continúe con el plan de muestreo que se describe;
(b) el proceso continúe aun si éste esté mal (es decir, si la frecuencia de tornillos defec-
tuosos cambia a 5% de defectuosos).
76. Suponga que, cuando se prueban los lapiceros construı́dos por una determinada empresa,
el porcentaje de defectuosos es del 5%. Suponga que se recibe un lote de 200 lapiceros y
que la condición de cualquier lapicero es independiente de los demás.
(a) ¿Cuál es la probabilidad aproximada de que al menos 10% de los lapiceros en el lote
estén defectuosos?
(b) ¿Cuál es la probabilidad aproximada de que haya exactamente 10 defectuosos en el
lote?
77. Un cierto reporte estadı́stico del Instituto Distrital de tránsito de cierta ciudad muestra que
en una noche promedio de un fin de semana, 9 de cada 10 conductores no están ebrios.
Si se verifican al azar a 400 conductores la siguiente noche de un sábado, determine la
probabilidad de que el número de conductores ebrios sea (a) menor que 32, (b) más de
49, (c) al menos 31, pero menos de 51. (d) ¿Cuántos de los siguientes 400 conductores
espera usted que estén ebrios? ¿No ebrios?
78. Una persona está considerando dos inversiones alternativas. En ambos casos, tiene dudas
sobre el interés que podrı́a obtener, pero ella cree que su incertidumbre puede representarse
mediante dos distribuciones normales con medias y desviaciones normales representadas
en la tabla de abajo. A ella le gustarı́a invertir en la opción que tenga más probabilidades
de producir un interés mayor que el 12%. ¿Cuál deberı́a elegir la persona?
Media Desviación tı́pica

Inversión A 12,3 2,1
Inversión B 13,0 5,0
79. Supongamos que la presión de aire del neumático de una llanta seleccionada al azar e
instalado en un auto nuevo, está normalmente distribuido con media 31 libras por pulgadas
cuadradas (lb/pulg2 ) y desviación estándar de 0,2 lb/pulg2 .
(a) ¿Cuál es la probabilidad de que la presión de un neumat́ico, seleccionado al azar,
exceda de 30,5lb/pulg2 ? ¿Se encuentre entre 30,5 y 31,5 lb/pulg2 ?
(b) Suponga que un neumático se considera con presión baja si está debajo de de 30,5
lb/pulg2 . ¿Cuál es la probabilidad de que al menos uno de los cuatro neumáticos de
un automóvil se encuentre bajo?
80. Suponga que el diámetro de las tapas de ciertos tipos de frascos se distribuye normalmente
con media 8 centı́metros y desviación estándar 2,8 centı́metros.
(a) ¿Cuál es la probabilidad de que el diámetro de una tapa, seleccionada al azar, sea a
lo sumo 10 centı́metros? ¿Mayor que 20 centı́metros? ¿Entre 10 y 20 centı́metros?
(b) ¿Qué valor de k es tal que el intervalo (8 − k, 8 + k) incluya 98% de todos los valores
de diámetro.
81. Supongamos que la longitud (en centı́metros) de cierto tubo de se puede modelar con una
distribución normal con media 96 y desviación estándar de 14.
(a) ¿Cuál es la probabilidad de que la longitud del tubo sea mayor que 100 centı́metros?
¿Esté entre 50 y 75 centı́metros?
(b) ¿Cuál intervalo (a, b) incluye al 90% central de todas las longitudes del tubo (de tal
manera que 5% sean menores que a y 5% mayores que b)?
82. Los puntos en una prueba de aptitud se distribuyen según una normal con media 420 y
desviación tı́pica 80.
(a) Si se elige una persona al azar, ¿cuál es la probabilidad de que obtenga una puntuación
entre 400 y 500?
(b) ¿Cuál es la mı́nima puntuación necesaria para estar entre el 10% mejor?
(c) Para una persona elegida al azar, sin hacer los cálculos, determinar en cuál de los
siguientes intervalos es más probable que esté su puntuación: 400-440, 440-480,
480-520, 520-560.
(d) ¿En cuál de los intervalos de (c) es menos probable que esté su puntuación?
(e) Si se eligen dos personas al azar, ¿cuál es la probabilidad de que al menos uno de los
dos obtenga más de 500 puntos?
83. Suponga que la duración (en semanas) de un albañil al realizar un determinado trabajo
tiene una distribución gamma con media de 24 semanas y desviación estándar de 12
semanas.
(a) ¿Cuál es la probabilidad de que el albañil dure entre 12 y 24 semanas?
(b) ¿Es la mediana de la distribución de duración menor de 24 semanas? ¿Por qué si o
por qué no?
(c) ¿Cuál es el 99% percentil de la distribución de duración?
84. En cierta ciudad europea, el consumo diario de energı́a eléctrica (en millones de kilowatios
por hora) es una variable aleatoria que tiene distribución gamma con media 6 y varianza
12.
(a) Encuentre los valores de α y β.
(b) Determine la probabilidad de que en cualquier dı́a dado el consumo de energı́a diario
exceda 12 millones de kilowatios por hora.
⋆ 85. Un cierto paı́s de latinoamerica permite que las personas presenten solicitudes de devolu-
ciones de impuestos para especificar deducciones sólo si el total es de por lo menos 5.000
dólares. Sea X (en miles de dólares) el total de deducciones especificadas en una forma
seleccionada al azar. Suponga que X tiene la función de densidad

k
α, si x ≥ 5,
f(x; α) = x
0, de otra forma.
(a) Encuentre el valor de k. ¿Cuál restricción es necesaria sobre α?

(b) ¿Cuál es la función de distribución acumulada de X?
(c) ¿Cuál es la deducción total esperada en una forma seleccionada al azar? ¿Cuál
restricción sobre α es necesaria para que E(X) sea finita?
(d) Demuestre que la variable aleatoria ln(X/5) tiene una distribución exponencial con
parámetro α − 1. (Sugerencia: calcule P ln(X/5) ≤ t .)
⋆ 86. Una determinada máquina tiene duración X exponencialmente distribuı́da con parámetro
λ.
(a) Si el costo de operar por unidad de tiempo es k, ¿cuál es el costo esperado de operar
de esta maquina en su vida útil?
(b) En lugar de un valor constante de costo k, como en el inciso (a), suponga que el costo
es k(1 − 0, 5eax ) con a < 0, de modo que el costo por unidad de tiempo es menor
que k cuando la maquina es nueva y más costosa a medida que la maquina envejece.
Ahora, calcule el costo esperado de operación durante la vida útil de la máquina.
⋆ 87. Si X tiene distribución exponencial con parámetro λ, deduzca una expresión general para
el p% percentil de la distribución. Después, especifique cómo obtener la mediana.
⋆ 88. La moda de una distribución continua de una variable aleatoria X es el valor x∗ que
maximiza a la función de densidad f de X.
(a) ¿Cuál es la moda de una distribución normal con parámetros µ y σ2 ?

(b) ¿Tiene una sola moda la distribución uniforme con parámetros A y B? Explique.
(c) ¿Cuál es la moda de una distribución exponencial con parámetro λ? (Dibuje una
figura.)
(d) Si X tiene una distribución gamma con parámetros α y β (donde α > 1), encuentre
la moda. (Sugerencia: ln[f(x)] se maximiza si y sólo si f(x) se maximiza.)
Respuestas a ejercicios impares
seleccionados
Capı́tulo 4
1. 0,82 35. (a) 0,7257 (b) 0,6882 (c) 23 (d)

189,95 mililitros
3. (b) 5/8; 111/200
5. (a) 0,5 (b) 3/8 (c) 3/8 (d) 0,5 37. 6,24 años
7. (a) 3/8 (b) 7/8 (c) 19/64 (d) 37/64 39. 17,756; 0,1
9. (b) 0,5939; 0,26424 41. (a) 0,9162 (b) 0,9549 (c) 1,33
11. (a) $933.333 (b) $1.200.000 43. 0,52183

13. 0,4413 45. (a) 0,9328 (b) 0,121
15. $13.000.000; $1.000.000 47. (a) 0,9934 (b) 0,0066 (c) 0,7074
17. 1/3; 1/3 √
49. (a) 5,040 (b) 3 π/2 (c) 0,238 (d)
19. 200 π 0,958 (e) 0,001
21. (c) 20/81 (d) 1/8 51. (a) 0,594 (b) 0,092 (c) 0,537
23. (b) 3/4 (c) 1,8; 0,5330 53. 0,801

25. (b) 1/4 (c) 1/5 (d) 1/10 55. (a) 50 (b) 4,7286 (c) 0,199
27. (b) 37/50 (c) 41/50 57. 0,3968
29. (c) 5/2; 25/12 59. (a) 100 (b) 0
31. (a) -0,54 (b) 1,20 (c) 0,4 (d) 1,25 (e) 61. (a) 0 (b) 0
2,15
63. (a) 1,075; 1,075 (b) 0,0614 (c) 2,476
33. (a) 0,9925 (b) 0,9706 (c) 0,1381 (d)
0,1515 (e) 0,1685 (f) 0,8421 69. (a) -0,35 (b) 1,21 (c) 1,96 (d) 2,14
Respuestas a ejercicios impares seleccionados 57
71. (a) 0,8413 (b) 0,0013 (c) 0,1574 (d) (d)40; 360
29,12
79. (a) 0,9938; 0,9876 (b) 0,02457
73. (a) 0,1129 (b) 0,1811
81. (a) 0,3897 (b) 0,0601 (c) 72,97 -
75. (a) 0,1574 (b) 0,0108 119,03
77. (a) 0,0778 (b) 0,0401 (c) 0,8821 83. (a) 0,424 (b) Sı́ es menor (c) 60
Indice
Coeficiente Percentil
de curtosis, 37 de una distribución continua, 12
estadarizado, 37
Regla
Desviación de Tchebychev, 20
estándar empı́rica, 20
de una función, 19
de una variable aleatoria, 18 Teorema
Distribución de aproximación
exponencial, 45 de la binomial a la normal, 32, 34
gamma, 41 de la Poisson a la exponencial, 47
estándar, 41
leptocúrtica, 36 Varianza
mesocúrtica, 36 de una función, 19
normal, 26 de una variable aleatoria, 18
estándar, 28
platicúrtica, 36
uniforme (continua), 23
Esperanza
de una variable aleatoria, 15
Factor de corrección
de continuidad, 32, 34
Función de
densidad, 4
distribución acumulada, 5
Función gamma, 40
incompleta, 43
Media
de una variable aleatoria, 15
Mediana
de una distribución continua, 12
Moda, 54

Capitulo 4 - Normal PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Capitulo 4 - Normal PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Contenido

4 Variables aleatorias continuas y distribuciones de probabilidad 2

Respuestas a ejercicios impares seleccionados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

Variables aleatorias continuas y

4.1 Distribuciones de probabilidad para variables aleatorias

☞ Objetivos del capı́tulo

4.1 Distribuciones de probabilidad para variables aleato-

una forma natural de empezar (como hicimos en la introducción de variables aleatorias

Densidad y función de distribución acumulada

Definición 4.1.1 Una función f : R −→ [0, ∞) se dice que es una función de

de la definición 4.1.1. Debido a que

Por consiguiente, f y h son posibles densidades, pero g no lo es (observemos que la segunda

Definición 4.1.3 La función de distribución (acumulada) de una variable

Fig. 4.1: El área sombreada es la probabilidad P(X ≤ t) de que la variable X sea

Cálculo de probabilidades y de F a partir de f

(a) Construya la función de distribución F correspondiente.

(d) Grafique las funciones f y F.

(a) Gráfica de f (b) Gráfica de F

Fig. 4.2: Densidad f y función de distribución F del ejemplo 4.1.4. ◭

P(X > −1) = 1 − P(X ≤ −1) = 1 − F(−1) = 1 − 0 = 1.

Las representaciones gráficas de h y F son como se muestran en la figura 4.3.

(a) Gráfica de h (b) Gráfica de F

Fig. 4.3: Densidad h y función de distribución F del ejemplo 4.1.5. ◭

Propiedades de la función de distribución acumulada

(a) 0 ≤ F(t) ≤ 1, para todo número real t.

Probabilidad de que una variable continua tome un valor especı́fico

P(a ≤ X ≤ b) = P(a < X ≤ b) = P(a < X < b) = P(a ≤ X < b),

para todo a y b reales.

(a) Un componente se desecha si X > 12, 60. Entonces,

(b) teniendo en cuenta el teorema 4.1.7 y la definición 4.1.1, obtenemos

Uso de F para calcular probabilidades

Teorema 4.1.9 Sea X una variable aleatoria continua, f y F sus correspondientes

(a) Para todo a y b reales, se tiene que

P(a ≤ X ≤ b) = F(b) − F(a).

(b) Para todo a real, se tiene que

P(X > a) = 1 − P(X ≤ a) = 1 − F(a).

Ejemplo 4.1.10 (a) Teniendo en cuenta el ejemplo 4.1.4a, encontramos que

(b) Teniendo en cuenta el ejemplo 4.1.5, encontramos que

P(X > 5) = 1 − P(X ≤ 5) = 1 − F(5) = 1 − (1 − e−5 ) = e−5 = 0, 0067. ◭

Teorema 4.1.11 Sea X una variable aleatoria continua, f y F sus correspondientes

Aquı́, F ′ (t) significa la derivada de F con respecto a la variable t.

Ejemplo 4.1.12 La función de distribución para una variable aleatoria continua X es

Halle la función de densidad f de X y P(−3 < X ≤ 4).

Observamos que, en la expresión encontrada para f, el punto t = 0 se excluye. Esto debe

Ahora, calculemos la probabilidad pedida:

P(−3 < X ≤ 4) = F(4) − F(−3) = (1 − e−8 ) − 0 = 0, 9996. ◭

Percentiles de una distribución continua

El 50-ésimo (punto) percentil de la distribución F de X se llama la medianade F y,

Fig. 4.4: El p-ésimo (punto) percentil de una distribución continua

Ejemplo 4.1.14 La función de distribución para una variable aleatoria continua X es

Ejemplo 4.1.15 La función de distribución para una variable aleatoria continua X es

Ahora, la mediana µ µ). Es decir, 0, 5 = 1 − e−2eµ o, que

✍ Ejercicios de la sección 4.1

(a) Haga un bosquejo de la gráfica de f.

(a) Haga un bosquejo de la gráfica de f.

6. Supongamos que la función de densidad

es la de una variable aleatoria que representa al tiempo de préstamo para un libro,

(a) Encuentre el valor de k y luego grafique f.

(a) Encuentre el valor de k y luego haga un bosquejo de la gráfica de f.

9. Supongamos que la siguiente función de densidad f, definida por

(a) Verifique que f es en realidad una función de densidad.

4.2 Esperanza y varianza de una variable aleatoria con-

siempre que exista la integral.