Introducci�n a la Probabilidad, los Procesos Estoc�sticos y la Estad�stica en

Ingenier�a

CAP�TULO 6

Modelos Probabil�sticos Continuos

Contenido del Cap�tulo

6.1) INTRODUCCI�N.
6.2) MODELO UNIFORME.
6.3) MODELO TRIANGULAR.
6.4) MODELO EXPONENCIAL.
6.5) MODELO NORMAL.

6.5.1) C�lculo de Probabilidades en el Modelo Normal.

6.6) MODELO LOG-NORMAL.

6.6.1) C�lculo de Probabilidades en el Modelo Log-Normal.

6.7) MODELO GAMMA.

6.7.1) C�lculo de Probabilidades en el Modelo Gamma.

6.8) PROBLEMAS PROPUESTOS.

Rafael D�az P�gina 6-1

20/10/03
Introducci�n a la Probabilidad, los Procesos Estoc�sticos y la Estad�stica en
Ingenier�a

6.1) INTRODUCCI�N.

En el Cap�tulo 5 se analizaron los modelos probabil�sticos discretos m�s comunes.

Este cap�tulo presenta los modelos probabil�sticos continuos que tienen mayor
aplicaci�n pr�ctica. De nuevo se debe recordar que en los Cap�tulos 3 y 4 se
desarrollaron algunas caracter�sticas como son las funciones de distribuci�n y de
densidad as� como los valores esperados m�s comunes.

6.2) MODELO UNIFORME.

Considere un experimento aleatorio que consiste en medir el instante en que ocurre

un cierto evento en el intervalo de tiempo (a, b). Si se piensa que es igualmente

probable que el evento ocurra en cualquier instante entonces la probabilidad de
que
ocurra en un intervalo de ancho t no depende de la ubicaci�n del intervalo dentro
del
dominio sino del ancho del intervalo. Esta consideraci�n es la base de la
definici�n
del modelo Uniforme Continuo.

Definici�n 6.1:El modelo uniforme continuo es una variable aleatoria donde la

probabilidad de que un evento ocurra en un intervalo de ancho t es proporcional a
ese intervalo.

Notas: -La variable aleatoria se define al asignar a cada instante de

ocurrencia de un cierto evento un n�mero real en el intervalo
(MIN, MAX).

-El modelo uniforme continuo se denotar� como

UC(MIN,MAX), donde MIN es el menor valor que puede tomar
la variable y MAX es el mayor valor que puede tomar la
variable.

-La asignaci�n de probabilidades de cada valor de la variable est�

dada por la ecuaci�n 6.1.

t -
t

PUC MIN MAX =

t .
t 21

(
(, ) t /(t ,))=
(ec. 6.1)

12 MAX -
MIN

Como consecuencia de la Ecuaci�n 6.1, la funci�n de distribuci�n acumulativa de

probabilidades y la funci�n de densidad de probabilidades vienen dadas por las
ecuaciones 6.2 y 6.3, respectivamente.

.
0, si x <
MIN

.
xMIN

Fx =
, si MIN =<
MAX (ec. 6.2)

() x

X .

MAX -
MIN

.1 si x =
MAX

.
,

Rafael D�az P�gina 6-2

20/10/03
Introducci�n a la Probabilidad, los Procesos Estoc�sticos y la Estad�stica en
Ingenier�a
.
1

.
, si x .(MIN , MAX )

X () -
MIN
.
0, en cualquier otro caso

fx =.MAX (ec. 6.3)

Las Figuras 6.1 y 6.2 muestran, respectivamente, las funciones de distribuci�n y

de
densidad para el modelo Uniforme Continuo.

FX(x)
1

MIN MAX x

Figura 6.1:Funci�n de Distribuci�n Acumulativa de Probabilidades

del Modelo Uniforme Continuo.

fX(x)
1/(MAX-MIN)

MIN MAX x

Figura 6.2:Funci�n de Densidad de Probabilidades del

Modelo Uniforme Continuo.

Rafael D�az P�gina 6-3

20/10/03
Introducci�n a la Probabilidad, los Procesos Estoc�sticos y la Estad�stica en
Ingenier�a

La Tabla 6.1 muestra los valores esperados m�s importantes correspondientes al

modelo uniforme continuo.

Valor
Esperado
Varianza Funci�n Generadora
de Momentos
Funci�n
Caracter�stica
MIN +
MAX
2
(
)MAX -
MIN 2
12
e e
tMAX MIN
MAXt MINt-
-( )
e e
jw MAX MIN
MAXjw MINjw -
-( )

Tabla 6.1: Valores Esperados m�s Importantes para el Modelo Uniforme Continuo.

Ejemplo 6.1: Considere el experimento aleatorio de escoger un n�mero aleatorio

en la computadora. El comportamiento de una muestra grande de estos n�meros se
corresponde con el modelo uniforme continuo con MIN = 0 y MAX = 1.

Ejemplo 6.2: Considere el experimento aleatorio de escoger un elemento resistivo

y medirle su resistencia (en Ohm). El fabricante indica que todos esos elementos
tienen un valor nominal de 1000 O y una tolerancia del 10% por lo que el valor de
la resistencia se puede explicar mediante el modelo uniforme continuo con
par�metros MIN = 900 O y MAX = 1100 .

Ejemplo 6.3: Considere una variable aleatoria uniformemente distribuida en el

intervalo (5, 10). �Cu�l es la probabilidad de que el valor de la variable est� en
el
intervalo (7, 9)?

La probabilidad solicitada ser�

92

9 dx 9 dx x

p =.
=.=

=
7 MAX -
MIN 75 5

75

Rafael D�az P�gina 6-4

20/10/03
Introducci�n a la Probabilidad, los Procesos Estoc�sticos y la Estad�stica en
Ingenier�a

6.3) MODELO TRIANGULAR.

El modelo uniforme deja de ser �til cuando la probabilidad de ocurrencia de un

intervalo depende de la ubicaci�n de ese intervalo dentro del dominio por lo que
la
explicaci�n de los fen�menos probabil�sticos se debe realizar mediante otros
modelos. Uno de estos modelos es el Triangular que debe su nombre a la forma de
tri�ngulo que tiene su funci�n de densidad de probabilidades.

Definici�n 6.2:El modelo Triangular es una variable aleatoria donde la funci�n

de densidad de probabilidades viene dada por la Ecuaci�n 6.4.

Notas: -La variable aleatoria se define para valores reales en el intervalo

(MIN, MAX).

-El modelo Triangular se denotar� como T(MIN, MODA, MAX),

donde MIN es el menor valor que puede tomar la variable,
MODA es el valor para el cual la funci�n de densidad tiene un
m�ximo y MAX es el mayor valor que puede tomar la variable.

.
0, si x <
MIN
.

2(xMIN

-
)

.
, si x .(MIN , MODA )

.(
MAX -
MIN )(
MODA -
MIN )

fx =
(ec. 6.4)

X () .

2( MAX -
x)

, si x .(MODA MAX ,)
.(
MAX -
MIN )(
MAX -
MODA )
.

0, si x >
MAX

La Figura 6.3 muestra la funci�n de densidad para el modelo Triangular.

fX(x)

2/(MAX-MIN)
MIN MODA MAX x
Figura 6.3: Funci�n de Densidad de Probabilidades del Modelo Triangular.

Rafael D�az P�gina 6-5

20/10/03
Introducci�n a la Probabilidad, los Procesos Estoc�sticos y la Estad�stica en
Ingenier�a

La Tabla 6.2 muestra los valores esperados m�s importantes correspondientes al

modelo triangular.

Valor Esperado Varianza

MIN MODA MAX +
+
3
(MIN MIN -
)MODA +
MAX (
MAX MIN-
18
)
+
(MODA MODA -
MAX )

Tabla 6.2: Valores Esperados m�s Importantes para el Modelo Triangular.

Ejemplo 6.4: Considere una variable aleatoria distribuida en forma triangular en

el
intervalo (0, 10) y con moda igual a 5. �Cu�l es la probabilidad de que el valor
de la
variable est� en el intervalo (7, 9)?

Para conocer la probabilidad solicitada se debe calcular el �rea bajo la funci�n

de
densidad en el intervalo correspondiente, para lo cual se puede hacer uso de la
relaci�n entre las �reas de los tri�ngulos involucrados. Este an�lisis se puede
ver en
la Figura 6.4. Los valores de las constantes A y B en la Figura 6.4 ser�n 0.12 y
0.04,
respectivamente. Por lo tanto, la probabilidad solicitada ser� el �rea del
trapecio
sombreado, es decir

...
.

.
AB..
012 +
. .

+
. 004
=
.=
.

pBASE x..=
(97-
).016
...
.

.
2 ..
2 .

fX(x)
0.2
A
B
5 7 9 10 x
Figura 6.4: Relaci�n de Tri�ngulos para la Soluci�n del Ejemplo 6.4.

Rafael D�az P�gina 6-6

20/10/03
Introducci�n a la Probabilidad, los Procesos Estoc�sticos y la Estad�stica en
Ingenier�a

Ejemplo 6.5: Para la variable aleatoria del Ejemplo 6.4, calcular la probabilidad
de
que la variable tome valores en un intervalo de ancho dos desviaciones est�ndar
alrededor del valor esperado.

Para conocer la probabilidad solicitada se debe calcular primero el valor esperado

y
la desviaci�n est�ndar. Evaluando las expresiones en la Tabla 6.2 se obtiene que
el
valor esperado es 5 y la desviaci�n est�ndar es aproximadamente 2. Aprovechando
las caracter�sticas de simetr�a alrededor del valor 5 y el �rea del trapecio
respectivo,
se tiene que la probabilidad solicitada es

02.
012

27

5)
p

2xBASE

044

.
...

.
...

.
...

.
...

6.4) MODELO EXPONENCIAL.

La Definici�n 5.7 de un Modelo Poisson implica el n�mero de veces que ocurre un

cierto resultado en un intervalo de tiempo dado. Asociado a este modelo se puede
estudiar el tiempo entre la ocurrencia de dos resultados consecutivos el cual, en
consecuencia, ser� un valor aleatorio. Uno de los modelos m�s sencillos que
permite
estudiar esta variable es el Modelo Exponencial que debe su nombre a la forma de
su funci�n de densidad de probabilidades.

Definici�n 6.3:El modelo Exponencial es una variable aleatoria donde la funci�n

de densidad de probabilidades viene dada por la Ecuaci�n 6.5.

Notas: -La variable aleatoria se define para valores reales mayores que
cero.

-El modelo Exponencial se denotar� como EXPON(.), donde .

es un par�metro que representa el inverso del tiempo promedio
entre la ocurrencia de dos eventos consecutivos.

fx
()

...

0, si

<

(ec. 6.5)

si

>

La Figura 6.4 muestra la funci�n de densidad para el modelo Exponencial.

Rafael D�az P�gina 6-7

20/10/03
Introducci�n a la Probabilidad, los Procesos Estoc�sticos y la Estad�stica en
Ingenier�a

Ejemplo 6.6: Para una variable aleatoria exponencial con par�metro . calcule la
funci�n de distribuci�n acumulativa de probabilidades.

Aplicando la Propiedad 3.5.2.2 se tiene

.
0, x<0
.x

Fx =.

()

X
-.x'
-.x

.e dx '=-e ,

1 x>0

..

.0

La Figura 6.5 muestra la gr�fica de la funci�n de distribuci�n acumulativa de

probabilidades de una exponencial.

.fX(x)
x

Figura 6.4:
Funci�n de Densidad de Probabilidades del
Modelo Exponencial.

La Tabla 6.3 muestra los valores esperados m�s importantes correspondientes al

modelo exponencial.

Valor
Esperado
Varianza Funci�n Generadora
de Momentos
Funci�n
Caracter�stica
1
.
1
2.
.
.
.-
<
t
t,
.
.-jw

Tabla 6.3: Valores Esperados m�s Importantes para el Modelo Exponencial.

Rafael D�az
P�gina 6-8

20/10/03
Introducci�n a la Probabilidad, los Procesos Estoc�sticos y la Estad�stica en
Ingenier�a

FX(x)
x

Figura 6.5:
Funci�n de Distribuci�n Acumulativa de
Probabilidades del Modelo Exponencial.

Ejemplo 6.7: Para una variable aleatoria exponencial con par�metro . = 2, calcule
la probabilidad de que la variable tome valores mayores a su valor esperado.

Seg�n la Tabla 6.3, el valor esperado ser� E{X} = 1/. = 0.5. Entonces, la
probabilidad solicitada ser�

-2 x -2 x

-1

p =.
2e dx =-
e

=
e

05.
05.
Ejemplo 6.8: El tiempo de atenci�n al cliente en la taquilla de un banco sigue una

variable aleatoria exponencial con un promedio de 5 minutos, calcule la

probabilidad de que ese tiempo sea mayor a su valor esperado.

Seg�n la Tabla 6.3, el par�metro . ser� igual a 1/E{X} = 1/5 = 0.2. Entonces, la
probabilidad solicitada ser�

-0.2 x -0.2x

-1

p =.0.2e
dx =-
e

=
e

5
5

Rafael D�az
P�gina 6-9

20/10/03
Introducci�n a la Probabilidad, los Procesos Estoc�sticos y la Estad�stica en
Ingenier�a

6.5) MODELO NORMAL.

El modelo uniforme deja de ser �til cuando la probabilidad de ocurrencia de un

intervalo depende de la ubicaci�n de ese intervalo dentro del dominio por lo que
la
explicaci�n de los fen�menos probabil�sticos se debe realizar mediante otros
modelos. Otro modelo que permite explicar este fen�meno es el Normal. La variable
aleatoria normal es ampliamente utilizada en aplicaciones de la teor�a de errores
cometidos en una medici�n y as� como en la explicaci�n de las pruebas estad�sticas

para analizar datos.

Su uso es tan com�n que se le ha dado en llamar �la madre de todas las
distribuciones� debido al comportamiento aproximado de cualquier tipo de variable
aleatoria a trav�s de una normal como lo expresa el Teorema del L�mite Central
(Ver Cap�tulo 11).

Definici�n 6.4:El modelo Normal es una variable aleatoria donde la funci�n de

densidad de probabilidades viene dada por la Ecuaci�n 6.6.

Notas: -La variable aleatoria se define para todos los reales.

-El modelo Normal se denotar� como N(�, s), donde � es el
valor esperado y s es su desviaci�n est�ndar.

1 . x-�.

1 -

.. ..

fX x = e 2 s, para todo valor real de x (ec. 6.6)

()

s 2p

Las Figuras 6.6 y 6.7 muestran la funci�n de densidad para el modelo Normal para
distintos valores de � y s, respectivamente. En cada figura, el sentido de la
flecha es
el sentido en el cual crece el par�metro respectivo.

-5-4-3-2-1 0 1 2 3 4

Figura 6.6: Funci�n de densidad Normal para distintos valores de �.

Rafael D�az P�gina 6-10

20/10/03
Introducci�n a la Probabilidad, los Procesos Estoc�sticos y la Estad�stica en
Ingenier�a

-6-4-20 2 4 6

Figura 6.7: Funci�n de densidad Normal para distintos valores de s.

La Tabla 6.4 muestra los valores esperados m�s importantes correspondientes al

modelo normal.

Valor
Esperado
Varianza Funci�n Generadora
de Momentos
Funci�n
Caracter�stica
�
s
2
e
t
t
�
s
+
22
2 e jw w�-s
22
2

Tabla 6.4: Valores Esperados m�s Importantes para el Modelo Normal.

Definici�n 6.5:El modelo Normal Est�ndar es una variable aleatoria Normal

cuyos par�metros son � = 0 y s = 1.

Notas: -Para la variable aleatoria Normal Est�ndar se reserva la letra Z.

-El modelo Normal Est�ndar se denotar� como NZ.
-La funci�n de densidad normal est�ndar viene dada por la

Ecuaci�n 6.7.

1 -
z2

fz =
e 2 , para todo valor real de z (ec. 6.7)

Z ()

2p

Rafael D�az P�gina 6-11

20/10/03
Introducci�n a la Probabilidad, los Procesos Estoc�sticos y la Estad�stica en
Ingenier�a

e dx
x1
21
2
-
-.
..
.
..
. s p
�
s
A pesar de lo popular que es el modelo Normal presenta la gran dificultad de que
no
es sencillo el c�lculo de probabilidades asociadas debido a que la funci�n dada en
la
Ecuaci�n 6.6 no tiene primitiva conocida. Esto lleva a tener que expresar el
c�lculo
de �reas bajo una curva normal por m�todos num�ricos lo cual es muy tedioso ya
que ese c�lculo depende de los valores de � y s en la aplicaci�n respectiva y de
las
caracter�sticas propias del m�todo de integraci�n num�rica utilizado. Para evitar
algunos de los obst�culos mencionados se debe hacer uso de la Propiedad 6.5.1 que
se presenta a continuaci�n.

Propiedad 6.5.1:El modelo Normal N(�, s) se puede expresar en t�rminos del

X -�

modelo Normal Est�ndar NZ mediante el cambio de variable Z = .

Esta propiedad se puede probar a trav�s de c�lculo de la probabilidad de un evento

tal como {x1 < X < x2} dentro del espacio muestral de la variable Normal N(�, s),
esto es

{ =

Px1 < X < x2}

X -�

Para resolver la integral se realiza un cambio de variable dado por Z = , de

s
tal forma que dx = sdz lo que se refleja en los l�mites de integraci�n como sigue

x1 -�Para xx= 1 se tiene que z = z1 =

x2 -�
y para xx= 2 se tiene que z = z2 =

En definitiva,

x2 -�
2

22

x21 . x -�. s zz2 z

1 -
.. .. 1 - 1 -

2 {1 z2}

P{x1 < X < x2} =. e 2 s dx = e 2 dz =. e dz = Pz < Z <

x s 2p x1 -� 2p z 2p

Rafael D�az P�gina 6-12

20/10/03
Introducci�n a la Probabilidad, los Procesos Estoc�sticos y la Estad�stica en
Ingenier�a

6.5.1) C�lculo de Probabilidades en el Modelo Normal.

La Propiedad 6.5.1 reduce el problema del c�lculo de probabilidades en un modelo

Normal a considerar los par�metros del m�todo de integraci�n num�rica utilizado.
Para llegar a un resultado final se va a hacer uso del m�todo de aproximaci�n
lineal
para el c�lculo de �reas que se describe a continuaci�n.

Propiedad 6.5.2:Para calcular el �rea de una curva entre los valores a y b se

puede
aproximar la curva mediante una recta y calcular el �rea del trapecio resultante,
como se indica en la Figura 6.8.

Al analizar la Figura 6.8 se destacan la funci�n f(x) y la recta que pasa por los
puntos (a, f(a)) y (b, f(b)). Para calcular el �rea de la funci�n f(x) entre a y b
se
puede calcular el �rea del trapecio de base (b � a) y alturas f(a) y f(b). El �rea
de
ese trapecio se destaca en forma sombreada. Evidentemente que existe una
diferencia entre el c�lculo exacto y el aproximado, pero esta diferencia ser�
menor
en la medida que el intervalo (a, b) sea el menor posible.

y
f(x)
f(b)
f(a)
a b x
Figura 6.8: C�lculo de �reas por el M�todo de Aproximaci�n Lineal.

En la Tabla 6.5 se presentan los valores de la Funci�n de Distribuci�n Acumulativa

de la Normal Est�ndar para valores de la variable z a partir de cero y hasta 4 con

incrementos de 0.05. Esta informaci�n es suficiente para calcular cualquier

probabilidad asociada con el modelo Normal. En este momento es importante
destacar las caracter�sticas de simetr�a par que tiene la funci�n de densidad del
modelo Normal Est�ndar. Estas caracter�sticas se resumen en la Propiedad 6.5.3.

Propiedad 6.5.3:La funci�n de densidad de probabilidades de una variable Normal

Est�ndar es una funci�n par y, en consecuencia, la funci�n de distribuci�n
acumulativa correspondiente cumple con las caracter�sticas siguientes, que se
destacan en la Figura 6.9.

Rafael D�az P�gina 6-13

20/10/03
Introducci�n a la Probabilidad, los Procesos Estoc�sticos y la Estad�stica en
Ingenier�a

1) FZ(0) = 0.5
2) FZ(z) = 1 � FZ(-z)
3) P{0 < Z < z} = P{-z < Z < 0} = FZ(z) � 0.5
4) P{-z < Z < z} = FZ(z) � FZ(-z) = 2FZ(z) - 1

-4-3-2-10 1 2 3 4

-z0 z

Figura 6.9: Caracter�sticas de Simetr�a de la Normal Est�ndar.

Ejemplo 6.9: Para una variable aleatoria Normal Est�ndar calcule la probabilidad
de que la variable tome valores en el intervalo (-2, 2).

Seg�n la Tabla 6.5, la funci�n de distribuci�n acumulativa para z = 2 es 0.97725.

Entonces, utilizando la Propiedad 6.5.3.4, la probabilidad solicitada ser�

P{2 Z } =2 () -=x 1

-<
<
2 FZ 21 .

2 0 97725 -=0 9545 .

Ejemplo 6.10:Sea X una variable aleatoria Normal con par�metros �= 1 y s= 1,

calcule la probabilidad de que la variable tome valores en el intervalo (-2, 2).

En este caso, se debe hacer uso de la Propiedad 6.5.1 para transformar la variable
X

X -�

en una variable Z, es decir, Z ==X -1.

Entonces, la probabilidad solicitada ser�

X } =P{21 Z } =P{3 Z } =F () (
F () )

P{2 2 --<<-
-<<
1 Z 1 --
Z

-<
<
21 13

Seg�n la Tabla 6.5, FZ(1) = 0.84134 y FZ(3) = 0.99865. Entonces, al sustituir en

la
expresi�n anterior

2 X <} =
() (
F () )=. --
1. )
0 83999

P{-<
2 FZ 1 --
Z 3 0 84134 (

1 0 99865 =.

Rafael D�az P�gina 6-14

20/10/03
Introducci�n a la Probabilidad, los Procesos Estoc�sticos y la Estad�stica en
Ingenier�a

z FZ(z) z FZ(z)

0 0,50000 2 0,97725
0,05 0,51994 2,05 0,97982
0,1 0,53983 2,1 0,98214
0,15 0,55962 2,15 0,98422
0,2 0,57926 2,2 0,98610
0,25 0,59871 2,25 0,98778
0,3 0,61791 2,3 0,98928
0,35 0,63683 2,35 0,99061
0,4 0,65542 2,4 0,99180
0,45 0,67364 2,45 0,99286
0,5 0,69146 2,5 0,99379
0,55 0,70884 2,55 0,99461
0,6 0,72575 2,6 0,99534
0,65 0,74215 2,65 0,99598
0,7 0,75804 2,7 0,99653
0,75 0,77337 2,75 0,99702
0,8 0,78814 2,8 0,99744
0,85 0,80234 2,85 0,99781
0,9 0,81594 2,9 0,99813
0,95 0,82894 2,95 0,99841
1 0,84134 3 0,99865
1,05 0,85314 3,05 0,99886
1,1 0,86433 3,1 0,99903
1,15 0,87493 3,15 0,99918
1,2 0,88493 3,2 0,99931
1,25 0,89435 3,25 0,99942
1,3 0,90320 3,3 0,99952
1,35 0,91149 3,35 0,99960
1,4 0,91924 3,4 0,99966
1,45 0,92647 3,45 0,99972
1,5 0,93319 3,5 0,99977
1,55 0,93943 3,55 0,99981
1,6 0,94520 3,6 0,99984
1,65 0,95053 3,65 0,99987
1,7 0,95543 3,7 0,99989
1,75 0,95994 3,75 0,99991
1,8 0,96407 3,8 0,99993
1,85 0,96784 3,85 0,99994
1,9 0,97128 3,9 0,99995
1,95 0,97441 3,95 0,99996
2 0,97725 4 0,99997

Tabla 6.5: Valores de la Funci�n de Distribuci�n Acumulativa

de Probabilidades del Modelo Normal Est�ndar.

Rafael D�az P�gina 6-15

20/10/03
Introducci�n a la Probabilidad, los Procesos Estoc�sticos y la Estad�stica en
Ingenier�a

Ejemplo 6.11:La altura de los estudiantes en una Universidad es una variable

aleatoria Normal con par�metros � = 1.75 m y s = 10 cm, calcule la probabilidad de

que una persona escogida al azar tenga una altura en el intervalo (�, � + s).

En este caso, se debe hacer uso de la Propiedad 6.5.1 para transformar la variable
X
X -� X -175

en una variable Z, es decir, Z == .

s 10
Entonces, la probabilidad solicitada ser�

.175-175 175+ 10 -175.

{ ..
<< .. P 01 Z 1 ()

P �< X < �+s} = PZ = { < Z < } = F () - FZ 0

10 10

Seg�n la Tabla 6.5, FZ(1) = 0.84134 y FZ(0) = 0.5. Entonces, al sustituir en la

expresi�n anterior

{ Z 1 Z () . 05 = .

P �< X < �+s} = F () - F 0 = 0 84134 - . 0 34134

6.6) MODELO LOG-NORMAL.

Un modelo que permite explicar procesos de tipo multiplicativo es el modelo Log-

Normal. Su nombre se deriva de la relaci�n con el modelo normal. Una variable X
sigue una distribuci�n Log-normal si la variable ln X sigue una distribuci�n de
tipo
normal.

Definici�n 6.6:El modelo Log-Normal es una variable aleatoria donde la funci�n

de densidad de probabilidades viene dada por la Ecuaci�n 6.8.

Notas: -La variable aleatoria se define para los reales positivos.

-El modelo Log-Normal se denotar� como LN(�, s), donde � es

el valor esperado y s es la desviaci�n est�ndar, del logaritmo
natural de X.

1 . ln x-�.
1 -
2 ..
s ..
eU () (ec. 6.8)

fX ()x = x
sx 2p

Las Figuras 6.10 y 6.11 muestran la funci�n de densidad para el modelo Log-
Normal para distintos valores de � y s, respectivamente. En cada figura, el
sentido
de la flecha es el sentido en el cual crece el par�metro respectivo.

Rafael D�az P�gina 6-16

20/10/03
Introducci�n a la Probabilidad, los Procesos Estoc�sticos y la Estad�stica en
Ingenier�a

0,9

0,8

0,7

0,6

0,5

0,4

0,3

0,2

0,1

012 34 56 78 910

Figura 6.10: Funci�n de densidad Log-Normal para � = 0 y s variable.

0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
-1 13 5 7911 13 15

Figura 6.11: Funci�n de densidad Log-Normal para s = 1 y � variable.

Rafael D�az P�gina 6-17

20/10/03
Introducci�n a la Probabilidad, los Procesos Estoc�sticos y la Estad�stica en
Ingenier�a

La Tabla 6.6 muestra los valores esperados m�s importantes correspondientes al

modelo log-normal.

Valor Esperado Varianza

e
�
s
+
2
2 ( )e es � s2 2 1 2- +

Tabla 6.6: Valores Esperados m�s Importantes para el Modelo Log-Normal.

6.6.1) C�lculo de Probabilidades en el Modelo Log-Normal.

El c�lculo de probabilidades en el modelo log-normal se realiza por medio de la

relaci�n logar�tmica existente con el modelo normal. Este m�todo se resume en la
Propiedad 6.6.1.

Propiedad 6.6.1:El modelo Log-Normal LN(�, s) se puede expresar en t�rminos

ln( X ) -�

del modelo Normal Est�ndar NZ mediante el cambio de variable Z = .

Esta propiedad se puede probar a trav�s de c�lculo de la probabilidad de un evento

tal como {x1 < X < x2} dentro del espacio muestral de la variable Log-Normal
LN(�, s), esto es

x21 . ln x-�.

1 -
.. ..

{ =Px1 < X < x2} 2 s

e dx

x
.sx 2p

ln( X ) -�

Para resolver la integral se realiza un cambio de variable dado por Z = ,

s
de tal forma que dx = sxdz lo que se refleja en los l�mites de integraci�n como
sigue
Para xx= 1 se tiene que z = z1 =
()x -1ln
s
�
y para xx= 2 se tiene que z = z2 =
()x -2ln
s
�
En definitiva,
xln 2 -�
Px{ 1 < X < x }2 =
xx
x
1
2
. s
1
2p
e dx
xln1
2
2
=
-
-.
..
.
..
�
s
xln 1 -
.
�
s 1
2p
e dz
z
2
2
= -
z
z
1
2
. 1
2p
e
z
2
2
-
dz = P z { 1 Z< < z }2
s
..

Rafael D�az P�gina 6-18

20/10/03
Introducci�n a la Probabilidad, los Procesos Estoc�sticos y la Estad�stica en
Ingenier�a

Como consecuencia de la Propiedad 6.6.1, la informaci�n suministrada por la Tabla

6.5 es suficiente para el c�lculo de probabilidades en el modelo log-normal.

Ejemplo 6.12:Para una variable aleatoria Log-Normal, LN(�, s), calcule la
probabilidad de que la variable tome valores mayores que e� .
Seg�n la Propiedad 6.6.1, la probabilidad solicitada es

PX{ > e � } = { > 0} =

PZ 0 5 .

Ejemplo 6.13:Para una variable aleatoria Log-Normal, LN(5, 0.1), calcule su valor
esperado, su varianza y la probabilidad de que la variable tome valores en el
intervalo (100,175).

De la Tabla 6.6 se puede calcular que

s 22

01. 001
() �+

5+

001

22 2

EX = e

= e

., VX = 25x +

= 149157 () e
.
(e -1)= 22359 .
Seg�n la Propiedad 6.6.1 y la Tabla 6.5, la probabilidad solicitada es
.ln(100 ) - 5 ln(175 ) - 5.

{ 175 << { 395 . }

P 100 < X < } = P.Z .= P - . < Z < 165

. 01. 01. .
P FZ 165 - Z 395 .

{100 < X < 175 } = (. ) -(1 F (. ))= 0 95049

Rafael D�az P�gina 6-19

20/10/03
Introducci�n a la Probabilidad, los Procesos Estoc�sticos y la Estad�stica en
Ingenier�a

6.7) MODELO GAMMA.

En el modelo Normal se puede apreciar la relaci�n existente entre los posibles

valores que pueden tomar los par�metros � y s, y la forma que adquiere la curva de

densidad de probabilidades al observar las Figuras 6.6 y 6.7. Una de las

principales
caracter�sticas que se desprenden de esas figuras es el car�cter sim�trico del
fen�meno normal alrededor del valor esperado. En aquellos casos en los cuales es
importante que los posibles valores de la variable sean asim�tricos, el modelo
Gamma explica satisfactoriamente el fen�meno.

Definici�n 6.7:El modelo Gamma es una variable aleatoria donde la funci�n de

densidad de probabilidades viene dada por la Ecuaci�n 6.9.

Notas: -La variable aleatoria se define para los reales positivos.

-El modelo Gamma se denotar� como GA(a, �), donde a y � son

constantes positivas.
-G(a) es la funci�n Gamma, definida por la ecuaci�n 6.10.
-Como propiedades de la funci�n Gamma se pueden destacar las

siguientes:

-Si a > 1, entonces G(a) = (a - 1)G(a - 1).

-Si n es entero positivo, G(n) = (n � 1)!

-G(1/2) = p
f X x() =
x
()
.
.
.
.
.
-a
a� a
1
G
0,
e
x-
� , =
=
x 0
x 0
(ec. 6.9)
8
G()a = a - -. y e y dy 1 (ec. 6.10)
0
Asign�ndole distintos valores a los par�metros a y b se obtienen distintos
miembros
de la familia Gamma que tienen sus nombres propios debido a la popularidad de los
mismos. Las Definiciones 6.8, 6.9 y 6.10 destacan los tres miembros m�s comunes.

Definici�n 6.8:El modelo Gamma Est�ndar es una variable aleatoria Gamma

donde � = 1 y a es variable por lo que su funci�n de densidad de probabilidades
viene dada por la Ecuaci�n 6.11.

Rafael D�az P�gina 6-20

20/10/03
Introducci�n a la Probabilidad, los Procesos Estoc�sticos y la Estad�stica en
Ingenier�a

Notas: -El modelo Gamma Est�ndar se denotar� como GE(a).

a-1

. x

. e- x , x = 0

X .()

f ()x = Ga (ec. 6.11)

.

0, x = 0

Definici�n 6.9:El modelo Exponencial es una variable aleatoria Gamma donde �

es variable y a = 1 por lo que su funci�n de densidad de probabilidades viene dada

por la Ecuaci�n 6.12.

Notas: -La variable aleatoria exponencial se defini� previamente en este

Cap�tulo (Definici�n 6.3).

-El par�metro . en la Definici�n 6.3 es el inverso del valor de �.

-El modelo Exponencial se denot� como EXPON(.).

1 x

.-

. e
�, x = 0

fX x =�
(ec. 6.12)

()
.
.

0, x = 0

Definici�n 6.10:El modelo Chi Cuadrado es una variable aleatoria Gamma donde
� = 2 y a = v/2 (v entero positivo) por lo que su funci�n de densidad de
probabilidades viene dada por la Ecuaci�n 6.13.

Notas: -El modelo Chi Cuadrado se denotar� como .2(v).

-El par�metro v en la .2 se denomina �grados de libertad�.

(v /2)-1 x

. x -

.e 2, x = 0

fX (x) =.2v /2 G(. / 2) (ec. 6.13)

.

0, x = 0

La Tabla 6.7 muestra los valores esperados m�s importantes correspondientes al

modelo Gamma general y a varios miembros de la familia.

Rafael D�az
P�gina 6-21

20/10/03
Introducci�n a la Probabilidad, los Procesos Estoc�sticos y la Estad�stica en
Ingenier�a

Familia
Gamma
Valor
Esperado
Varianza Funci�n Generadora
de Momentos
Funci�n
Caracter�stica
General a�
a�
2 (
)
1
1-�
a
t (
)
1
1 -
jw�
a
Est�ndar a
a
(
)
1
1 -
t a
(
)
1
1-
jw
a
Exponencial �
.
=
1
�
.
2
2
1
=
(
)
1
1-
=
-�
.
.t t (
)
1
1-
=
-jw jw�
.
.
Chi-Cuadrado v 2v (
)
1
12-
t v (
)
1
12-
jw v

Tabla 6.7: Valores Esperados m�s Importantes para el Modelo Gamma.

Las Figuras 6.12, 6.13 y 6.14 muestran la funci�n de densidad para el modelo
Gamma general, Gamma Est�ndar y Chi-Cuadrado para distintos valores de a y �,
en cada caso.

1,2

0
0,2
0,4
0,6
0,8
1
a = 2, � = 1
a = 2, � = 1/3
a = 1, � = 1
0 1234567

Figura 6.12: Funci�n de densidad Gamma.

Rafael D�az P�gina 6-22

20/10/03
Introducci�n a la Probabilidad, los Procesos Estoc�sticos y la Estad�stica en
Ingenier�a

1,2

0
0,2
0,4
0,6
0,8
1
a = 1
a = 2
a = 3
0 1234567

Figura 6.13: Funci�n de densidad Gamma Est�ndar (� = 1).

0,6

0 2 4 6 8 10 12 14 16

Figura 6.14: Funci�n de densidad Chi-Cuadrado (� = 2, a = v/2).

0
0,1
0,2
0,3
0,4
0,5
v = 2
v = 6
v = 4
Rafael D�az P�gina 6-23

20/10/03
Introducci�n a la Probabilidad, los Procesos Estoc�sticos y la Estad�stica en
Ingenier�a

6.7.1) C�lculo de Probabilidades en el Modelo Gamma.

El c�lculo de probabilidades en el modelo Gamma puede ser muy engorroso para

valores particulares de a y �. La Propiedad 6.7.1 permite expresar el modelo
Gamma general en t�rminos del modelo Gamma Est�ndar lo cual reduce el
problema al c�lculo de �reas bajo la curva de densidad Gamma Est�ndar.

Propiedad 6.7.1:El modelo Gamma General GA(a, �) se puede expresar en

t�rminos del Gamma Est�ndar GE(a) mediante el cambio de variable Z = X/�.

Esta propiedad se puede probar a trav�s de c�lculo de la probabilidad de un evento

tal como {x1 < X < x2} dentro del espacio muestral de la variable Gamma General
GA(a, �), esto es

2 a-1 -

P{x < X < x } = e � dx

2 .a

1
x �G(a)

Para resolver la integral se realiza un cambio de variable dado por Z = X/�, de

tal
forma que dx = �dz lo que se refleja en los l�mites de integraci�n como sigue

Para x = x1 se tiene que z = z1 =

�
1

y para x = x2 se tiene que z = z2 = 2

En definitiva,

2
x2 a-1 x � a-1 z2 a-1

x zz

�- z - z

P{x1 < X < x2} =. a e dx =. e dz =. e dz = P{z1 < Z < z2}

x �G(a) x G(a) z G(a)

1 11

En la expresi�n anterior se nota la validez de la Propiedad 6.7.1 ya que Z sigue

una
distribuci�n Gamma Est�ndar.

En el c�lculo de �reas bajo la curva Gamma Est�ndar se puede obtener una

expresi�n iterativa para el caso particular de que a sea un entero ya que la
funci�n
de densidad respectiva viene dada por la Ecuaci�n 6.14; esta expresi�n iterativa
se
destaca en la Propiedad 6.7.2.

Rafael D�az P�gina 6-24

20/10/03
Introducci�n a la Probabilidad, los Procesos Estoc�sticos y la Estad�stica en
Ingenier�a

n-1

.
z -z

.e ,z =
0

f (z) =
(n -1)! , n entero
(ec. 6.14)

Z
.
.

.
0, z =
0

n-1 -z

n .
ze

Propiedad 6.7.2:Sea In la siguiente expresi�n integral I =

dz . Entonces

(n -1)!
In puede expresarse en t�rminos de In-1 mediante la siguiente ecuaci�n iterativa

n-1 -
z

ze

I =
I -
, I =
0, n =
0

nn-1
0

(n -1)!

En la Tabla 6.8 se muestra el valor de In para distintos valores de n. La �ltima

fila de
la Tabla 6.8 muestra el resultado general al que se puede llegar por inducci�n
desde
las filas anteriores.
n In
0 0
1 ze--
2 )(1 ze z +-
-
3 ..
.
.
..
.
.
++-
-
2
1
2z
ze z
n ..
.
.
..
.
.
+-
.
-
=
-
1
1 !
1
n
m
m
z
m
z
e

Tabla 6.8: Valor de In para distintos valores de n.

A partir del resultado obtenido en la Tabla 6.8 se puede obtener una Tabla de
valores de la funci�n de distribuci�n acumulativa de probabilidades de una Gamma
Est�ndar para valores de a enteros. Estos valores se presentan en la Tabla 6.9
para n
desde 1 hasta 5. El lector podr�a, con la ayuda de un programa de c�lculo, conocer

los respectivos valores para n mayores que 5.

Rafael D�az
P�gina 6-25

20/10/03
Introducci�n a la Probabilidad, los Procesos Estoc�sticos y la Estad�stica en
Ingenier�a

x n=1 n=2 n=3 n=4 n=5

0 0,0000 0,0000 0,0000 0,0000 0,0000
0,5 0,3935 0,0902 0,0144 0,0018 0,0002
1 0,6321 0,2642 0,0803 0,0190 0,0037
1,5 0,7769 0,4422 0,1912 0,0656 0,0186
2 0,8647 0,5940 0,3233 0,1429 0,0527
2,5 0,9179 0,7127 0,4562 0,2424 0,1088
3 0,9502 0,8009 0,5768 0,3528 0,1847
3,5 0,9698 0,8641 0,6792 0,4634 0,2746
4 0,9817 0,9084 0,7619 0,5665 0,3712
4,5 0,9889 0,9389 0,8264 0,6577 0,4679
5 0,9933 0,9596 0,8753 0,7350 0,5595
5,5 0,9959 0,9734 0,9116 0,7983 0,6425
6 0,9975 0,9826 0,9380 0,8488 0,7149
6,5 0,9985 0,9887 0,9570 0,8882 0,7763
7 0,9991 0,9927 0,9704 0,9182 0,8270
7,5 0,9994 0,9953 0,9797 0,9409 0,8679
8 0,9997 0,9970 0,9862 0,9576 0,9004
8,5 0,9998 0,9981 0,9907 0,9699 0,9256
9 0,9999 0,9988 0,9938 0,9788 0,9450
9,5 0,9999 0,9992 0,9958 0,9851 0,9597
10 1,0000 0,9995 0,9972 0,9897 0,9707
10,5 0,9997 0,9982 0,9929 0,9789
11 0,9998 0,9988 0,9951 0,9849
11,5 0,9999 0,9992 0,9966 0,9893
12 0,9999 0,9995 0,9977 0,9924
12,5 0,9999 0,9997 0,9984 0,9947
13 1,0000 0,9998 0,9989 0,9963
13,5 0,9999 0,9993 0,9974
14 0,9999 0,9995 0,9982
14,5 0,9999 0,9997 0,9988
15 1,0000 0,9998 0,9991
15,5 0,9999 0,9994
16 0,9999 0,9996
16,5 0,9999 0,9997
17 1,0000 0,9998
17,5 0,9999
18 0,9999
18,5 0,9999
19 1,0000
Tabla 6.9: Valor de la Funci�n de Distribuci�n Acumulativa de Probabilidades
de una Gamma Est�ndar para Distintos Valores de n.

Rafael D�az P�gina 6-26

20/10/03
Introducci�n a la Probabilidad, los Procesos Estoc�sticos y la Estad�stica en
Ingenier�a

6.8) PROBLEMAS PROPUESTOS.

Rafael D�az P�gina 6-27

20/10/03