Cálculo de Probabilidades

José Luis Trujillo López

Capítulo 7: Distribuciones Continuas Paramétricas

7.1 Distribución uniforme

Sea U la variable aleatoria que sigue la distribución uniforme (continua). Es decir, que
todos los puntos sean igualmente posibles. Se denota por U Unif ( a ,b ).

Que todos los puntos sean igualmente posibles implica que intervalos de la misma longitud
tienen asociada la misma probabilidad. Esto se logra solamente si la f. d. p. es constante a lo
largo del intervalo [ a , b ].

Parámetros: a< b ∈ R .

Soporte: SU = [ a ,b ] o ( a , b ).

Función masa de probabilidad:

1
f U ( u )= I (u ) .
b−a S U

Función de probabilidad acumulada:

u
u−a
F U ( u ) =∫ f U ( v ) dv= ,a ≤ u ≤ b .
−∞ b−a
 Media:

a+b
E [ U ] =∫ u f U ( u ) du= .
R
2

Varianza:

b 3−a3
E [ U ] =∫ u FU ( v ) dv=
2 2

R 3 ( b−a )

( b−a )2
var ( X )=E [ U ]−E [ U ] =
2 2
.
12

Función generadora de momentos:

tb ta
e −e
m U (t )=∫ e f U ( u ) du=
tu
.
R t ( b−a )

7.2 Distribución exponencial

Sea T una variable aleatoria positiva continua, se dice que T sigue la distribución
exponencial con tasa λ o escala β=1/ λ , y se denota como T exp ( β ) (T exp ( β ) ).

Parámetros: Tasa λ> 0 o escala β=1/ λ> 0.

Soporte: ST =[ 0 , ∞ ).

Función de densidad de probabilidad:

 −1
1 t
f T ( t ) =λ e− λt I S ( t )= e β
I S (t ).
T
β T

Función de probabilidad acumulada:

t
F T ( t )= ∫ λ e
−λu − λt
du=1−e , t> 0.
−∞

Función de sobrevivencia:

−λt
ST ( t )=P ( T ≥ t ) =e ,t >0.

Función generadora de momentos:

λ
m T ( u )=∫ e f T ( y ) du=
ut −1
=( 1−βu ) .
R
λ−u

Media:

' 1
E [ T ]=mT ( 0 )= =β .
λ

Varianza:

2 1
var [ T ] =mT ( 0 )−( mT ( 0 ) ) =
'' ' 2
2
=β .
λ

Proposición

La distribución exponencial no tiene memoria. Esto es, si t 1 , t 2> 0, se tiene que

P ( T > t 1 +t 2∨T >t 1 )=P ( T >t 2) .

Proposición

Sea X una variable aleatoria continua que satisface que para todo a , b ≥ 0, se tiene
que

P ( X >a+ b )=P ( X > a ) P ( X > b ) .

Entonces, P ( X >0 )=0 o X sigue una distribución exponencial.

Teorema
 Sea X una variable aleatoria positiva continua. X tiene la propiedad sin memoria si
y solo si X se distribuye exponencialmente.

7.3 Distribución Gamma

Función Gamma

Proposición

Para todo u>0 , se tiene que:

∞ −1 2
1 uy 1
∫e
√2 π −∞
2
dy=
√u
Demostración:
∞ −1 2
1 uy
Sea I = ∫e
√2 π ∞
2
dy .Entonces,

[ ][ ]
∞ −1 2 ∞ −1
1 1
2
ux uy
I 2= ∫e
√ 2 π −∞
2
dx ∙ ∫
√2 π −∞
e2 dy

∞ ∞ −1 2 −1 2
1 ux uy
¿ ∫∫e
2 π −∞ −∞
2
∙e 2
dx dy

∞ ∞ −u 2 2
1 (x + y )
¿ ∫∫ e
2 π −∞ −∞
2
dx dy

2π ∞ −u 2
1 r
¿ ∫∫r e
2π 0 0
2
dr dθ

|
∞ −u 2 ∞
r
¿∫ r e 2

0 0

Donde se ha empleado la transformación a coordenadas polares, a saber, x=r cosθ y

y=r sinθ . Se concluye entonces que:

∞ −1 2
1 uy 1
I= ∫e
√2 π −∞
2
dy=
√u
.

Proposición
 ∞ −1 2
y
∫e 2
dy=√ 2 π
−∞

Demostración. Se sigue de la proposición anterior para u=1.

Definición

Se define la función matemática gamma por:

∞
Γ ( x )=∫ u
x−1 −u
e du
0

Para todo x ∈ R− {0 ,−1 ,−2 , … }

Propiedades

La función gamma cumple las siguientes propiedades:

−¿¿
1. Γ ( x+ 1 )=x Γ ( x ) ∀ x ∉ Z

2. Γ ( 12 )=√ π
3. Γ ( 1 )=1
4. Γ ( n+1 ) =n !, para todo n ∈ N
5. 0 !=1
∞ −1 2

( )
n+1 1 v
= n+1 ∫ v e
n 2
6. Γ 2
dv
0
22

Distribución Gamma

Sea
Y
la
variable aleatoria continua positiva, se dice que sigue una distribución gamma con
parámetro de forma α ( ¿ 0 ) y parámetro tasa λ ( ¿ 0 ) y se denota por Y Ga ( α , λ ) .

Parámetros: α >0 , λ>0 .

Soporte: S X =[ 0 , ∞ ) .

Función de densidad:

α
λ α −1 − λy
f Y ( y )= y e IR +¿
( y )¿
Γ (α )

Proposición

La función anterior es una función de densidad propia o legítima ya que:

λα α −1 − λy
i. y e ≥ 0, para toda y ≥0 .
Γ (α)
∞ α
ii. ∫ Γλ( α ) y α −1 e− λy dy=1, para toda α >0 y λ>0.
0

Para mostrar la igualdad anterior defina u=λy y utilice la definición de Γ ( α ).

Definición

La constante β=1/ λ se conoce como parámetro de escala de la distribución

Gamma. Luego, la función de densidad se puede escribir también como

−1
1 y
f Y ( y )= α y α −1 e β
I R+ ¿ ( y ). ¿
β Γ (α )

Proposición

Sea Y la variable aleatoria que sigue una distribución gamma con parámetro de
forma α y de escala β, Y Ga ( α , β ) . Entonces, para c >0 fijo,
X =cY Gamma ( α , cβ ) .
Corolario

Sea X Ga ( α ,1 ), entonces Y = βX Ga ( α , β ) .

Proposición

Sea Y una variable aleatoria distribuida gamma. Entonces, para r >−α ,

Γ ( α +r ) 1
E [ Y r ]= =( α + r−1 )r β r .
Γ ( α ) λr

Donde ( α +r−1 )r =( α +r−1 ) ( α + r−2 ) ⋅ ⋅ ⋅ ( α ) .

Proposición

Sea Y una variable aleatoria distribuida gamma con parámetro de forma α ,

parámetro tasa λ y parámetro de escala β=1/ λ . Entonces,

α
E [ Y ] = =αβ
λ

α
V ( Y )= 2
=α β2
λ

Corolario

Sea Y Ga ( α , λ ), tal que E [ Y ] =α / λ . Entonces X =λY Ga ( α ,1 ) .

Proposición

Sea Y una variable aleatoria distribuida Ga ( α , λ ) con función de densidad de

probabilidad dada por la anterior. Entonces Y tiene función generadora de
momentos dada por

( )
−α
t
m Y ( t )= 1− ,t <λ .
λ
Corolario

Sea Y Gamma ( α , β ), con E [ Y ] =αβ , entonces la f. g. m. de Y está dada por

mY ( t )=( 1− βt )−α , para t <1/ β .

La distribución exponencial

Definición

Sea T una variable aleatoria que sigue una distribución Gamma con parámetro de
forma α =1 y parámetro tasa λ . En este caso, la variable aleatoria T tiene una f. d. p.
dada por

− λt
f T ( t ) =λ e I ( 0 ,∞ ) ( t ) .

Y se dice que sigue una distribución exponencial con media 1/ λ . Esto es,
T exp ≡ Gamma ( 1 , λ ) .

Corolario

( )
−1
t
Se T exp ( λ ). Entonces E [ T ]=1 / λ, var ( Y ) =1/ λ y f. g. m. m Y ( t )= 1−
2
, para
λ
t < λ.

La distribución χ 2 Ji-Cuadrada

Definición

El caso particular de la distribución Gamma con parámetro de forma α =n / 2, para

algún n ∈ N y de escala β=2=1/ λ se define como la distribución Ji-cuadrada con
n grados de libertad y se denota por χ 2n .

Corolario
 Sea Y χ 2n. Entonces E [ Y ] =n y var ( Y ) =2 n y f. g. m. mY ( t )=( 1−2t ) , para t <λ .
−n /2

7.4 Distribución Normal

Considere la función −1 2
y
2
h ( y )=e

para todo y ∈ R . Se ha visto ya que es integrable sobre todo R y que:

∞ −1 2
y
√ 2 π =∫ e 2
dy
−∞

−1 2
1 2
y
Por lo queh ( y )= e I R ( y ) define una función de densidad propia.
√2π

Definición

Sea Z una v. a. continua con función de densidad de probabilidad dada por:

−1 2
1 2
z
ϕ ( z )= e IR ( z)
√2 π
 Z se dice que sigue la distribución normal estándar y se denota por Z N ( 0 ,1 ).

La f. d. p. de la distribución normal estándar se acostumbra a denotar con la letra ϕ y su

correspondiente función de distribución (f. p. a.) Φ . Así, z ∈ R:

z ∞ −1 2
1 u
Φ ( z )= ∫ ϕ ( u ) du= ∫ e 2
du .
−∞ −∞ √2 π

Sea ahora μ ∈ R , σ >0 y defina X =μ+σZ , por determinar F X y f X , la f. p. a. y f. d. p.

correspondientes.

F X ( x ) =P ( X ≤ x )=P ( μ +σZ ≤ x )=P Z ≤ ( x−μ

σ
=Φ
σ) ( )
x−μ
.

( )
2
−1 x− μ
d
f X ( x )= F X ( x )=Φ
dx
' x−μ
σ
⋅ = ϕ
σ σ σ( )
1 1 x−μ
=
1
√2 π σ
e ( ) 2 σ
.

Se dice que la variable aleatoria X sigue la distribución normal con parámetros μ y σ 2 y

se denota por X N ( μ , σ 2 ).

Parámetros: μ ∈ R , σ >0 .

Soporte: S X =R .

Función de densidad de probabilidad:

1 2(
−1 x−μ
σ )
f X ( x )= e I (−∞ , ∞) ( x ) .
√2 π σ

Proposición

Sea Z N ( 0 ,1 ). Entonces

a) E [ Z ] =0 .
b) var ( Z )=1.
1 2
t
c) m ( t ) =e 2 .
Z
Proposición

Sea X N ( μ , σ 2 ). Entonces:

a) E [ X ] =μ .
b) var ( X )=σ 2.
1 2
μt + t
c) m ( t )=e 2
.
X

Por lo anterior, se refiere uno también a X N ( μ , σ 2 ) como distribución normal de

media μ y varianza σ 2.

Proposición

Sea X una variable aleatoria distribuida normal de media μ y varianza σ 2. Entonces,

su función de densidad de probabilidad es

( )
2
−1 x−μ
1 2 σ
f X ( x )= e I R ( x) .
√2 π ⋅ σ

Tal que:

a) f X es una distribución simétrica alrededor de μ.

b) La media, mediana y moda se localizan en μ.
c) f X tiene dos puntos de inflexión en μ ± σ .

El cálculo de la probabilidad acumulada Φ ( Z ) implica necesariamente métodos numéricos

al no tener la integral

( )
2
x −1 u−μ
1
F X ( x ) =∫
2 σ
e du .
−∞ √ π ⋅σ
2

Considere ahora X N ( μ , σ 2 ) y se desea determinar P ( X ≤ x ) . Entonces, se estandariza X y

se lee de tablas de la normal estándar. A saber,
 P ( X ≤ x )=P ( X−μ
σ
≤
x−μ
σ )=P ( Z ≤
x−μ
σ ) =Φ (
σ )
x−μ
.

Aproximación de la distribución binomial mediante la normal

Al igual que en el caso de la aproximación a la distribución binomial por medio de la

Poisson, así bajo ciertas condiciones la aproximación por medio de la distribución resulta
razonable. Si X Bin ( n , p ) , para que la aproximación sea razonable se debe de tener que
np> 5 y n ( 1− p ) >5 entre otras condiciones.

Considere que si las distribuciones de X y Y N ( μ , σ 2 ) se aproximan, resulta razonable que

np=E [ X ] ≈ E [ Y ] =μ y np ( 1− p )=var ( X ) ≈ var (Y )=σ 2 por lo que, para x=0 , 1 , … , nm

P ( X ≤ x ) ≈ P ( Y ≤ x ) =Φ
( √ npx−np
( 1− p ) )
.

Pero todas estas aproximaciones están en desuso por la disponibilidad de aplicaciones

computacionales.

Aproximación a la distribución Poisson mediante la normal

Suponga que N Po ( λ ), entonces, λ=E [ N ] ≈ E [ Y ] =μ y λ=var ( N ) ≈ var ( Y ) =σ 2, donde

Y N ( μ , σ 2 ) . Así, para n=0 , 1, 2 , …

P ( N ≤ n ) ≈ P (Y ≤ n ) =Φ
( x−λ
√λ )
.

7.5 Distribución Cauchy

Sea X una variable continua con función de densidad de probabilidad dada por

{[ ) ]}
−1

(
2
x−α
f X ( x )= πβ 1+ ,
β

Para todo x ∈ R. Se dice entonces que X sigue la distribución Cauchy con parámetro de
localización α y parámetro de escala β y se denota por X Cauchy ( α , β ) .

Parámetros: Localización α ∈ R, escala β >0.

Soporte: S X =R .

Función de densidad de probabilidad:

1
f X ( x )= IR( x) .

[ ( )]
2
x−α
πβ 1+
β

#Nota: Se vio anteriormente que la distribución no tiene ningún momento ni tampoco

función generadora de momentos.

Función característica:

φ X ( t ) =E [ e ] =exp { iαt− β|t |}

itX

Propiedades

a) El parámetro de escala β=q 3−q 1, donde q i son el tercer y primer cuartil de la

distribución.
b) La f. d. p. es simétrica alrededor de α
c) La densidad es de “colas pesadas”. Como ya se mencionó la distribución no tiene
momentos.
d) La distribución Cauchy resulta del cociente de variables aleatorias normales
independientes.
 e) La distribución tiene aplicaciones en la física. Es usada en la construcción de
contraejemplos en probabilidad.
f) Si la distribución se centra en α =0 , la función característica φ X es real y simétrica.

7.6 La distribución Beta

La Función Beta

La función matemática Beta se define para α 1> 0 , α 2 >0 , por:

1
Β ( α 1 , α 2 ) =∫ t
a1−1
( 1−t )α −1 dt
2

Y satisface la siguiente identidad:

Γ ( α1 ) Γ ( α 2 )
Β ( α1 , α2 ) =
Γ ( α 1 +α 2 )

Donde Γ ( ⋅ ) denota la función matemática Gamma dada por la expresión anterior.

La distribución Beta

La variable aleatoria X se dice que sigue una distribución Beta con parámetros α 1 ( ¿ 0 ) y
α 2 ( ¿ 0 ), denotada como X Β ( x ; α 1 , α 2 ), si X tiene como función de densidad de
probabilidad:
 1 α −1
f X ( x ; α 1 , α 2 )= x 1
( 1−x )α −1 I [ 0,1 ] ( x ) .
2

Β ( α 1 , α 2)

Con la función Β ( α 1 , α 2 ) definida anteriormente.

Parámetros: α 1> 0 , α 2 >0 .

Soporte: S X =[ 0 , 1 ] .

Función de densidad de probabilidad:

1 α −1
f X ( x )= x 1
( 1−x )α −1 I S ( x )
2

Β (α 1, α 2) X

Proposición

El valor esperado y la varianza de X Β ( x ; α 1 , α 2 ) están dados por:

α1 α1 α 2
E [ X ]= , var ( X )=
α 1+ α 2 2
( α 1+ α2 ) ( α 1+ α2 +1 )

Demostración:

1
E [ X ] =∫ xf ( x ;α 1 , α 2 ) dx
0

1
1
¿ ∫
Β (α 1 , α2 ) 0
x
(α + 1)−1
1
( 1−x )α dx 2

Β ( α 1 +1 , α 2 )
Β ( α 1 , α 2)

Γ ( a1 +1 ) Γ ( α 2) /Γ ( α 1 +1+α 2 )
¿
Γ ( α 1 ) Γ ( α 2 ) / Γ ( α 1 +α 2 )
 α1
¿
α 1 +α 2

Utilizando el hecho que Γ ( α + 1 )=α Γ ( α ). Similarmente se puede ver que:

( α 1+ 1 ) α 1
E [ X 2 ]=
( α 1 +α 2+1 ) ( α1 +α 2)

De donde se sigue el resultado para var ( X )

#Nota:

a) Si α 1=α 2> 0 la distribución Beta es simétrica alrededor de 1/2.

b) Si α 1=1=α 2, la distribución Beta resulta la distribución uniforme en el intervalo
( 0 , 1 ).
c) La distribución Beta, entre varias aplicaciones, se utiliza para modelar el valor de
probabilidades.
7.7 Distribución Weibull

Sea W una v. a. continua positiva con f. d. p. dada por:

( )
α
α −1 − w
f ( w )= ( )
α w
β β
e
β
α , β>0

Con α , β >0 fijos. W se dice que sigue la distribución Weibull con parámetro de forma α
y parámetro de escala β y se denota por W Weibull ( α , β ).
 Parámetros: α >0 , β> 0.

Soporte: R+¿ .¿

Función de densidad de probabilidad:

( )
α
α −1 − w
f W (w)= ( )
α w
β β
e
β
I R+¿ (w ). ¿

Función de probabilidad acumulada:

{ ( )}
α
w
F W ( w )=1−exp − , w ≥ 0.
β

Función de sobrevivencia:

{ ( )}
α
w
SW ( w )=−exp − , w ≥ 0.
β

Propiedades

Sea W Weibull ( α , β ) , entonces W tiene las siguientes propiedades:

i. E [ W ] =β Γ 1+
r r
( αr ), r >0.
E [ W ] =β Γ ( 1+ ).
1
ii.
α

iii. [ 2β α1 ]
var ( W )=β Γ ( 1+ )−Γ ( 1+ )
2 2

( )
∞
tk αk k
iv. m W ( t ) =∑ Γ 1+
k=1 k ! α
v. La distribución Weibull es empleada para modelar tiempos de vida, tiempos
de falla, etcétera.

Proposición

Sea W Weibull ( α , β ) .
 a) Si T exp ( λ ), con λ parámetro tasa, entonces
1
(
W =T r Weibull α = , β=λ−r .
r )
b) La función de riesgo de W es

( )
α −1
−d w w
hW ( w ) = log SW ( w )= .
dw β β

Por lo que la tasa de riesgo hW es

 Creciente en el tiempo si α >1.

 Constante en el tiempo si α =1.
 Decreciente en el tiempo si α <1.

7.8 Distribución log normal

Sea Y una variable aleatoria continua positiva con f. d. p. dada por:

( )
2
−1 ln y−μ
1 2 σ
f ( y )= e , y> 0.
y √2 π
Y se dice que sigue una distribución lognormal de parámetros μ y σ y se denota por
Y lognormal ( μ , σ ) .

Parámetros: μ ∈ R y σ > 0.

Soporte: SY =( 0 , ∞ ) .

Función de densidad de probabilidad:

( )
2
−1 ln y− μ
1 2 σ
f Y ( y )= e I (0 , ∞ ) ( y ) .
y √2 π

{ }
Media: E [ Y ] =exp μ +
σ2
2
.

Varianza: var ( Y ) =exp { 2 μ +2 σ 2 }−exp { 2 μ+ σ 2 } .

{
1 2 2
Momentos: E [ Y ] =exp rμ + r σ .
r
2 }

Proposición

Sea X N ( μ , σ 2 ), Y =e X Lognormal ( μ , σ ).

Corolario

Sean Z distribuida normal estándar, μ ∈ R , σ > 0, entonces

Y =exp { μ+ σZ } Lognormal ( μ , σ ) .

La distribución lognormal tiene aplicaciones en la biología, en la física y la actuaría, entre

otras áreas. Se utiliza en la modelación de pesos, volúmenes, tiempos de vida, etc.

7.9 Distribución Laplace o Doble exponencial

 Sea
X una

variable aleatoria con f. d. p. dada por:

1 −|x−μ|
f ( x )= e β para todo x ∈ R .
2β

X se dice que sigue una distribución de Laplace o doble exponencial con parámetro de
localización μ y parámetro de escala β . Y se denota por X DobleExp ( μ , β ) .

Parámetros: Localización μ ∈ R y escala β >0.

Soporte: S X =R .

Función de densidad de probabilidad:

1 −|x−μ|
f X ( x )= e β IR.
2β

Media: E [ X ] =μ .

Varianza: var ( X )=2 β 2.

Función generadora de momentos:

μt
e
m X ( t )= 2 2
,|t|<1/ β
1−β t
 Aplicaciones:

a) Surge como la diferencia de variables aleatorias independientes

distribuidas exponencialmente.
b) Por mucho tiempo se empleó como la distribución del error
experimental.
c) Como la distribución del término de error en modelos de regresión.

Proposición

Sean Y 1 y Y 2 dos variables aleatorias independientes con distribución común

exponencial de tasa λ , entonces X =Y 1−Y 2 DExp ( μ=0 , β=1 /λ ) .

7.10 Distribución Pareto

Sea W una variable aleatoria con f. d. p. dada por:

α − ( α+1)
f ( w )=α β w w> β

W se dice que sigue la distribución Pareto con parámetro de forma α y parámetro de

escala β . Y se denota como W Pareto ( α , β ).

Parámetros: Forma α >0 y escala β >0.

Soporte: SW =( β , ∞ ) .

Función de densidad de probabilidad:

 α − ( α +1 )
f W ( w ) =α β w I (β, ∞)(w ).

Función de probabilidad acumulada:

( ) ,w≥β .
α
β
F W ( w )=1−
w

Media:

{
αβ
siα >1
E [ W ] = α −1
+∞ si 0<α ≤1

Varianza:

{
2
αβ
var [ W ] = ( α −1 ) ( α−2 ) si α >2
+ ∞ si0< α ≤ 2

#Nota: La función generadora de momentos no existe.

La distribución de Pareto se emplea para modelar la distribución del empleo.