3.

10 Distribución gamma 269

a) la distribución de probabilidad del número de ofertas recibidas

hasta vender el coche.
b) la probabilidad de que el precio de venta rebase $55,000 .
c) el precio promedio de venta del coche.

386. El tiempo medido en horas para reparar una máquina es una variable
aleatoria exponencial de parámetro λ “ 1{2. ¿Cuál es la probabilidad
de que un tiempo de reparación

a) exceda 2 horas?
b) tome a lo sumo 4 horas?
c) tome a lo sumo 4 horas dado que no se ha logrado la reparación
en las primeras 2 horas?

3.10. Distribución gamma

La variable aleatoria continua X tiene una distribución gamma con pará-
metros α ą 0 y λ ą 0, y escribimos X „ gammapα, λq, si su función de
densidad es
α´1
& pλxq
$
λe´λx si x ą 0,
f pxq “ Γpαq
%
0 en otro caso.
La gráfica de esta función de densidad, para varios valores de los parámetros,
se muestra en la Figura 3.15. En la expresión anterior aparece el término
Γpαq, el cual se conoce como la función gamma, y es de este hecho que la
distribución adquiere su nombre. La función gamma se define por medio de
la siguiente integral. ż8
Γpαq “ tα´1 e´t dt,
0
para cualquier número real α tal que esta integral sea convergente. Para eva-
luar la función gamma es necesario substituir el valor de α en el integrando
y efectuar la integral impropia. En general, no necesitaremos evaluar esta
integral para cualquier valor de α, sólo para algunos pocos valores, princi-
palmente enteros, y nos ayudaremos de las siguientes propiedades que no
270 3. Distribuciones de probabilidad

son difı́ciles de verificar.

a) Γpα ` 1q “ α Γpαq.
b) Γpα ` 1q “ α! si α es un entero positivo.
c) Γp2q “ Γp1q “ 1.
?
d) Γp1{2q “ π.

f pxq f pxq
λ“5
λ“4
λ“3 α“5
1/2 1/2 α“7
α “ 10

x x
1 2 3 4 5 6 1 2 3 4 5 6

(a) α “ 5 (b) λ “ 3
Figura 3.15

Ası́, a la función gamma se le puede considerar como una generalización del

factorial pues coincide con éste cuando el argumento es un número entero
positivo. En el paquete R pueden obtenerse los valores de la función Γpxq
mediante el comando gamma(x). Los valores de la función de densidad f pxq
se obtienen de la siguiente forma.

# dgamma(x,shape=α,rate=λ) evalúa f pxq de la distribución

# gammapα, λq
> dgamma(2.5,shape=7,rate=3) # d = density
r1s 0.4101547

Observemos que la distribución exponencial es un caso particular de la dis-

tribución gamma pues si en ésta se toma el parámetro α igual a 1, se obtiene
3.10 Distribución gamma 271

la distribución exponencial de parámetro λ.

Por otro lado, la función de distribución gamma F pxq no tiene, en general,

una expresión compacta, pero pueden calcularse con facilidad sus valores
en R mediante el comando que aparece en el siguiente recuadro. Véase el
Ejercicio 396 para conocer una fórmula para F pxq en un caso particular de
sus parámetros.

# pgamma(x,shape=α,rate=λ) evalúa F pxq de la distribución

# gammapα, λq
> pgamma(2.5,shape=7,rate=3) # p = probability dist. function
r1s 0.6218453

Resolviendo un par de integrales se puede demostrar que

a) EpXq “ α{λ.

b) VarpXq “ α{λ2 .

Cuando el parámetro α es un número natural n, la distribución gammapn, λq

adquiere también el nombre de distribución Erlangpn, λq, y esta distribución
puede obtenerse del siguiente resultado, que es una aplicación inmediata de
la f.g.m. y sus propiedades.

Proposición 3.4 Sean X1 , . . . , Xn variables aleatorias independientes,

cada una de ellas con distribución exppλq. Entonces

X1 ` ¨ ¨ ¨ ` Xn „ gammapn, λq.

Recı́procamente, toda variable aleatoria con distribución gammapn, λq,

en donde n ě 1 es un entero, se puede expresar como una suma de la
forma anterior.

Ası́, una variable aleatoria con distribución gammapn, λq, cuando n es un

entero positivo, puede interpretarse como el tiempo acumulado de n tiem-
pos de espera exponenciales independientes, uno seguido del otro. Véase la
272 3. Distribuciones de probabilidad

exppλq

exppλq

exppλq

exppλq
` ` ` ¨¨¨ `

gammapn, λq

Figura 3.16

Figura 3.16. Este resultado también indica un mecanismo para generar un

valor al azar de la distribución gammapn, λq a partir de n valores al azar de
la distribución exppλq.

Simulación 3.12 Pueden generarse valores seudoaleatorios de la distribu-

ción gamma en el paquete R usando el comando que aparece en el siguiente
recuadro. Asigne un valor de su preferencia a los parámetros α y λ y genere
valores al azar de esta distribución.

# rgamma(k,shape=α,rate=λ) genera k valores al azar de la

# distribución gammapα, λq
> rgamma(5,shape=7,rate=3) # r = random
r1s 3.170814 1.433144 2.103220 1.662244 3.025049

El nombre y orden en el que se escriben los parámetros en la distribución

gammapα, λq no es estándar. Pueden llevar otros nombres y aparecer en
cualquier orden. Además, el parámetro λ puede aparecer como 1{λ. Se debe
verificar entonces la expresión de la función de densidad para asegurarse
de la interpretación adecuada de estos parámetros. Para evitar confusiones,
en el paquete R se escribe explı́citamente shape para α y rate para λ, ası́
como aparece en la definición que hemos dado para la función de densidad.
Expresiones como “gammap2, 5q” pueden llevar a errores si no se especifica
con claridad el manejo de estos parámetros.
3.10 Distribución gamma 273

Ejercicios
387. Use la definición de la función gamma para demostrar que la función
de densidad gamma efectivamente lo es.
388. Sea X una variable aleatoria con distribución gammapα, λq con α “ 2
y λ “ 3. Encuentre

a) P pX ă 1q c) P pX ă 1 | X ă 2q.
b) P pX ě 2q d ) P p1 ď X ď 2 | X ą 0q.

389. Sea X una variable aleatoria con distribución gammapα, λq. Use la
definición de esperanza para demostrar que

a) EpXq “ α{λ. c) EpX 3 q “ αpα ` 1qpα ` 2q{λ3 .

b) EpX 2 q “ αpα ` 1q{λ2 . d ) VarpXq “ α{λ2 .

390. Moda. Sea X una variable aleatoria con distribución gammapα, λq.
Demuestre que si α ą 1 entonces X tiene una única moda dada por
α´1
x˚ “ .
λ
391. Momentos. Sea X una variable aleatoria con distribución gammapα, λq.
Demuestre que el n-ésimo momento de X es
αpα ` 1q ¨ ¨ ¨ pα ` n ´ 1q
EpX n q “ .
λn
392. Sea X una variable aleatoria con distribución gammapα, λq y sea c ą 0
una constante. Demuestre que
cX „ gammapα, λ{cq.

393. F.g.m. Sea X una variable aleatoria con distribución gammapα, λq.
Demuestre que la función generadora de momentos de X es la fun-
ción M ptq que aparece abajo. Usando esta función y sus propiedades
encuentre nuevamente la esperanza y la varianza de esta distribución.
ˆ ˙α
λ
M ptq “ para t ă λ.
λ´t
274 3. Distribuciones de probabilidad

394. Suma. Utilice la f.g.m. para demostrar que si X y Y son dos variables
aleatorias independientes con distribución gammapα1 , λq y gammapα2 , λq,
respectivamente, entonces
X ` Y „ gammapα1 ` α2 , λq.

395. Utilice la f.g.m. para demostrar la Proposición 3.4 de la página 271.

396. Función de distribución: caso particular. Sea X una variable
aleatoria con distribución gammapn, λq en donde n es un entero po-
sitivo. Denote por Fn pxq a la función de distribución de esta variable
aleatoria y defina F0 pxq como la función de distribución de la variable
aleatoria constante cero. Demuestre que para x ą 0,
pλxqn´1 ´λx
a) Fn pxq “ Fn´1 pxq ´ e .
pn ´ 1q!
n´1
ÿ pλxqk 8
ÿ pλxqk ´λx
b) Fn pxq “ 1 ´ e´λx “ e .
k“0
k! k“n
k!

397. Algunas propiedades de la función gamma. Demuestre las si-

guientes propiedades de la función gamma. Para el último inciso podrı́a
ayudar consultar la distribución normal que estudiaremos más adelan-
te.
a) Γpα ` 1q “ α Γpαq.
b) Γpα ` 1q “ α! si α es un entero positivo.
c) Γp2q “ Γp1q “ 1.
?
d) Γp1{2q “ π.

3.11. Distribución beta

Decimos que la variable aleatoria continua X tiene una distribución beta
con parámetros a ą 0 y b ą 0, y escribimos X „ betapa, bq, cuando su
función de densidad es
1
$
& xa´1 p1 ´ xqb´1 si 0 ă x ă 1,
f pxq “ Bpa, bq
0 en otro caso.
%
3.11 Distribución beta 275

El término Bpa, bq se conoce como la función beta, y de allı́ adquiere su

nombre esta distribución. La función beta se define como la siguiente inte-
gral.
ż1
Bpa, bq “ xa´1 p1 ´ xqb´1 dx,
0

para números reales a ą 0 y b ą 0. Esta función está relacionada con la

función gamma, antes mencionada, a través de la identidad

Γpaq Γpbq
Bpa, bq “ .
Γpa ` bq

Véase la sección de ejercicios para una lista de propiedades de esta función.

La gráfica de la función de densidad beta se muestra en la Figura 3.17 para
algunos valores de sus parámetros. En el paquete R pueden calcularse los
valores de f pxq de la siguiente forma.

# dbeta(x,a,b) evalúa f pxq de la distribución betapa, bq

> dbeta(0.3,1,2) # d = density
r1s 1.4

f pxq

(4) (2) (3) (5)

(1) a “ 4, b “ 4
(1) (2) a “ 2, b “ 6
(3) a “ 6, b “ 2
(4) a “ 1{2, b “ 1
(6)
(5) a “ 1, b “ 1{2

x
(6) a “ 1, b “ 1
1

Figura 3.17

La correspondiente función de distribución no tiene una forma reducida y

276 3. Distribuciones de probabilidad

se escribe simplemente como sigue

$
’
’ 0 si x ď 0,
’ żx
& 1
F pxq “ ua´1 p1 ´ uqb´1 du si 0 ă x ă 1,
’
’ Bpa, bq 0
’
1 si x ě 1,
%

y sus valores pueden calcularse en R usando el siguiente comando.

# pbeta(x,a,b) evalúa F pxq de la distribución betapa, bq

> pbeta(0.3,1,2) # p = probability distribution function
r1s 0.51

Para la distribución betapa, bq y usando una identidad que aparece en el

Ejercicio 398, se puede demostrar, sin mucha dificultad, que

a
a) EpXq “ .
a`b

ab
b) VarpXq “ .
pa ` b ` 1qpa ` bq2

La función generadora de momentos no tiene una forma compacta para esta

distribución. Por otro lado, en R se pueden generar valores seudoaleatorios
de la distribución beta de manera análoga a las otras distribuciones, esto
es,

# rbeta(k,a,b) genera k valores al azar de la distribución

# betapa, bq
> rbeta(5,1,2) # r = random
r1s 0.18713260 0.07264413 0.08796477 0.15438134 0.29011107

La distribución beta puede obtenerse a partir de la distribución gamma

como indica el siguiente resultado cuya demostración omitiremos.
3.11 Distribución beta 277

Proposición 3.5 Sean X y Y dos variables aleatorias independientes

con distribución gammapa, λq y gammapb, λq, respectivamente. Entonces

X
„ betapa, bq.
X `Y

Finalmente observamos que la distribución betapa, bq se reduce a la distri-

bución unifp0, 1q cuando a “ b “ 1.

Ejercicios
398. Propiedades de la función beta. Demuestre las siguientes propie-
dades de la función beta. La identidad peq será particularmente útil.

a) Bpa, bq “ Bpb, aq.

b) Bpa, 1q “ 1{a.
c) Bp1, bq “ 1{b.
a
d ) Bpa ` 1, bq “ Bpa, b ` 1q.
b
a
e) Bpa ` 1, bq “ Bpa, bq.
a`b
b
f ) Bpa, b ` 1q “ Bpa, bq.
a`b
g) Bp1{2, 1{2q “ π.

399. Demuestre que si X „ betapa, bq entonces

1 ´ X „ betapb, aq.

400. Sea X una variable aleatoria con distribución betapa, bq. Demuestre
que
a
a) EpXq “ .
a`b
apa ` 1q
b) EpX 2 q “ .
pa ` bqpa ` b ` 1q
278 3. Distribuciones de probabilidad

apa ` 1qpa ` 2q
c) EpX 3 q “ .
pa ` bqpa ` b ` 1qpa ` b ` 2q
ab
d ) VarpXq “ .
pa ` b ` 1qpa ` bq2
401. Momentos. Sea X una variable aleatoria con distribución betapa, bq.
Demuestre que el n-ésimo momento de X es

Bpa ` n, bq apa ` 1q ¨ ¨ ¨ pa ` n ´ 1q
EpX n q “ “ .
Bpa, bq pa ` bqpa ` b ` 1q ¨ ¨ ¨ pa ` b ` n ´ 1q

En consecuencia, la f.g.m. se puede expresar como

8 n
ÿ t Bpa ` n, bq
M ptq “ .
n“0
n! Bpa, bq

402. Encuentre una expresión reducida para la función de distribución F pxq

de una variable aleatoria con distribución betapa, bq para

a) a ą 0, b “ 1.
b) a “ 1, b ą 0.

403. Moda. Sea X una variable aleatoria con distribución betapa, bq. De-
muestre que si a ą 1 y b ą 1, entonces X tiene una única moda dada
por
a´1
x˚ “ .
a`b´2

3.12. Distribución Weibull

La variable aleatoria continua X tiene una distribución Weibull4 con pará-
metros α ą 0 y λ ą 0 si su función de densidad está dada por la siguiente
expresión. # α
λα pλxqα´1 e´pλxq si x ą 0,
f pxq “
0 en otro caso.
4
Ernst Hjalmar Waloddi Weibull (1887–1979), matemático e ingeniero sueco.
3.12 Distribución Weibull 279

A la constante α se le llama parámetro de forma y a λ se le llama parámetro

de escala. Se escribe X „ Weibullpα, λq. La gráfica de la función de densidad
para varios valores de sus parámetros se encuentra en la Figura 3.18 y su
evaluación en el paquete R se obtiene usando el siguiente comando.

# dweibull(x,α, λ) evalúa f pxq de la distribución Weibullpα, λq

> dweibull(2,8,2) # d = density
r1s 1.471518

f pxq f pxq
α“4
α“8
α“3
1
α“5
α“2

α“1 α“2
x x

λ“1 λ“2

Figura 3.18

Llevando a cabo el cambio de variable λu “ pλyqα , suponiendo que y es la

variable de integración, puede demostrarse que la correspondiente función
de distribución adquiere la siguiente forma simple.
# α
1 ´ e´pλxq si x ą 0,
F pxq “
0 en otro caso,

cuyos valores pueden calcularse en R mediante el siguiente comando.

# pweibull(x,α, λ) evalúa F pxq de la distribución Weibullpα, λq

> pweibull(2,8,2) # p = probability distribution function
r1s 0.6321206
280 3. Distribuciones de probabilidad

Aplicando la definición de la función gamma, y después de algunos cálculos,

puede encontrarse que la esperanza y la varianza de una variable aleatoria
X con distribución Weibullpα, λq son

1
a) EpXq “ Γp1 ` 1{αq.
λ
1
b) VarpXq “ r Γp1 ` 2{αq ´ Γ2 p1 ` 1{αq s.
λ2

La distribución Weibull se ha utilizado en estudios de confiabilidad y dura-

bilidad de componentes electrónicos y mecánicos. El valor de una variable
aleatoria con esta distribución puede interpretarse como el tiempo de vida
útil que tiene uno de estos componentes. Cuando el parámetro α toma el
valor uno, la distribución Weibull se reduce a la distribución
? exponencial
de parámetro λ. Por otro lado, cuando α “ 2 y λ “ 1{ 2σ 2 se obtiene la
distribución Rayleighpσq, la cual se menciona explı́citamente en el Ejerci-
cio 258, en la página 188. En R se pueden generar valores seudoaleatorios
de la distribución Weibull usando el siguiente comando.

# rweibull(k,α, λ) genera k valores al azar de la distribución

# Weibullpα, λq
> rweibull(5,8,2) # r = random
r1s 1.817331 1.768006 1.993703 1.915803 2.026141

Ejercicios
404. Demuestre que la función de densidad Weibull efectivamente lo es.

405. Sea X una variable aleatoria con distribución Weibullpα, λq. Demues-
tre que la función de distribución es, para x ą 0,
# α
1 ´ e´pλxq si x ą 0,
F pxq “
0 en otro caso.

406. Sea X una variable aleatoria con distribución Weibullpα, λq. Demues-
tre que
3.12 Distribución Weibull 281

1
a) EpXq “ Γp1 ` 1{αq.
λ
1
b) EpX 2 q “ 2 Γp1 ` 2{αq.
λ
1
c) EpX 3 q “ 3 Γp1 ` 3{αq.
λ
1
d ) VarpXq “ 2 pΓp1 ` 2{αq ´ Γ2 p1 ` 1{αqq.
λ
407. Moda. Sea X una variable aleatoria con distribución Weibullpα, λq.
Demuestre que si α ą 1 entonces X tiene una única moda dada por
ˆ ˙1{α
1 α´1
x˚ “ .
λ α

408. Momentos y f.g.m. Sea X una variable aleatoria con distribución

Weibullpα, λq. Demuestre que el n-ésimo momento de X es

1
EpX n q “ Γp1 ` n{αq.
λn
En consecuencia, la f.g.m. se puede expresar como
8 n
ÿ t 1
M ptq “ Γp1 ` n{αq.
n“0
n! λn

409. Cuantiles. Invirtiendo la función de distribución que aparece en el

Ejercicio 405, encuentre el cuantil al 100p % para una distribución
Weibullpα, λq.

410. Simulación. Sea U una variable aleatoria con distribución unifp0, 1q

y sean α ą 0 y λ ą 0 dos constantes. Demuestre la afirmación que
aparece abajo. Este resultado permite obtener valores al azar de la
distribución Weibull a partir de valores al azar de la distribución uni-
forme.
1
p´ lnp1 ´ U qq1{α „ Weibullpα, λq.
λ
282 3. Distribuciones de probabilidad

3.13. Distribución normal

Esta es posiblemente la distribución de probabilidad de mayor importancia.
La distribución normal aparece en el importante teorema central del lı́mite
que estudiaremos en el último capı́tulo. Decimos que la variable aleatoria
continua X tiene una distribución normal si su función de densidad está
dada por la siguiente expresión

1 2 {2σ 2
f pxq “ ? e´px´µq , ´8 ă x ă 8,
2πσ 2

en donde µ P R y σ 2 ą 0 son dos parámetros. A esta distribución se le conoce

también con el nombre de distribución gausiana5 . Escribimos entonces X „
Npµ, σ 2 q. La gráfica de esta función de densidad tiene forma de campana,
como se puede apreciar en la Figura 3.19, en donde se muestra además el
significado geométrico de los dos parámetros: el parámetro µ es el centro
de la campana y σ (la raı́z cuadrada positiva de σ 2 ) es la distancia entre µ
y cualquiera de los dos puntos de inflexión de la curva. En ocasiones, a la
gráfica de esta función se le refiere como la campana gausiana.

f pxq

x
µ

Figura 3.19

En el paquete R, la evaluación de la función de densidad puede obtenerse

usando el siguiente comando, aunque debe observarse que se usa la desvia-
ción estándar σ en su parametrización y no σ 2 .

5
Carl Friedrich Gauss (1777-1855), matemático alemán.
3.13 Distribución normal 283

# dnorm(x,µ, σ) evalúa f pxq de la distribución Npµ, σ 2 q

# Observe que R usa el parámetro σ y no σ 2
> dnorm(1.5,3,2) # d = density
r1s 0.1505687

La correspondiente función de distribución es

żx
1 2 2
F pxq “ ? e´py´µq {2σ dy,
´8 2πσ 2

pero resulta que esta integral es imposible de resolver y no puede encon-

trarse una expresión cerrada. Usando métodos numéricos se han calculado
aproximaciones de los valores de esta función. En R es muy sencillo obtener
tales evaluaciones aproximadas utilizando el siguiente comando.

# pnorm(x,µ, σ) evalúa F pxq de la distribución Npµ, σ 2 q

# R usa el parámetro σ y no σ 2
> pnorm(1.5,3,2) # p = probability distribution function
r1s 0.2266274

Por otro lado, usando integración por partes, es posible demostrar que para
una variable aleatoria X con distribución Npµ, σ 2 q,
a) EpXq “ µ.
b) VarpXq “ σ 2 .
Esto significa que, como hemos señalado antes, la campana está centrada en
el valor del parámetro µ, el cual puede ser negativo, positivo o cero, y que
la campana se abre o se cierra de acuerdo a la magnitud del parámetro σ 2 .
El siguiente caso particular de la distribución normal es muy importante.

Distribución normal estándar

Decimos que la variable aleatoria X tiene una distribución normal estándar
si tiene una distribución normal con parámetros µ “ 0 y σ 2 “ 1. En este
caso, la función de densidad se reduce a la expresión
1 2
f pxq “ ? e´x {2 , ´8 ă x ă 8.
2π
284 3. Distribuciones de probabilidad

El resultado importante aquı́ es que siempre es posible transformar una

variable aleatoria normal no estándar en una estándar mediante la siguiente
operación, cuya demostración se pide hacer en la sección de ejercicios.

Proposición 3.6 Sea X con distribución Npµ, σ 2 q. Entonces

X ´µ
Z“ „ Np0, 1q. (3.6)
σ

Al procedimiento anterior se le conoce con el nombre de estandarización y,

bajo tal transformación, se dice que la variable X ha sido estandarizada. Este
resultado parece muy modesto pero tiene una gran importancia operacional
pues establece que el cálculo de las probabilidades de una variable aleatoria
normal cualquiera se reduce al cálculo de las probabilidades para la normal
estándar. Explicaremos ahora con más detalle esta situación. Suponga que X
es una variable aleatoria con distribución Npµ, σ 2 q y que deseamos calcular,
por ejemplo, la probabilidad de que X tome un valor en el intervalo pa, bq,
es decir, P pa ă X ă bq. Como en el enunciado anterior, Z denotará una
variable aleatoria con distribución normal estándar. Tenemos entonces que

Ppa ă X ă bq “ Ppa ´ µ ă X ´ µ ă b ´ µq
a´µ X ´µ b´µ
“ Pp ă ă q
σ σ σ
a´µ b´µ
“ Pp ăZă q.
σ σ

Cada una de las igualdades anteriores es consecuencia de la igualdad de los

eventos correspondientes. De esta forma, una probabilidad que involucra
a la variable X se ha reducido a una probabilidad que involucra a Z. De
modo que únicamente necesitamos conocer las probabilidades de los eventos
de Z para calcular las probabilidades de los eventos de la variable X, que
tiene parámetros arbitrarios. En términos de integrales, el cálculo anterior
es equivalente al siguiente análisis, en donde se lleva a cabo el cambio de
3.13 Distribución normal 285

variable y “ px ´ µq{σ en la integral,

żb
1 2 2
Ppa ă X ă bq “ ? e´px´µq {2σ dx
a 2πσ 2
ż pb´µq{σ
1 2
“ ? e´y {2 dy
pa´µq{σ 2π
a´µ b´µ
“ Pp ăZă q.
σ σ
A partir de ahora, y a menos de que se diga lo contrario, usaremos la letra
Z para denotar a una variable aleatoria con distribución normal estándar.

Función de distribución y de densidad Np0, 1q

Es común denotar a la función de distribución de una variable aleatoria
normal estándar como Φpxq, y a la función de densidad como φpxq, es decir,

Notación.
żx
1 2
φpxq “ ? e´x {2 , Φpxq “ φpuq du, ´8 ă x ă 8.
2π ´8

El significado geométrico de Φpxq se muestra en la Figura 3.20 (a). Co-

mo hemos mencionado antes, no es posible resolver esta integral y para
evaluar Φpxq se usan métodos numéricos. Aunque en el paquete R pueden
encontrarse estos valores con el comando pnorm(x,0,1), en la parte final
del texto aparece también una tabla con estos valores aproximados. Cada
renglón de esta tabla corresponde a un valor de x hasta el primer dı́gito
decimal, las distintas columnas corresponden al segundo dı́gito decimal. El
valor que aparece en la tabla es Φpxq. Por ejemplo, el renglón marcado con
1.4 y la columna marcada con 0.05 corresponden al valor x “ 1.45, tenemos
entonces que Φp1.45q “0.9265 . Abajo aparecen algunos ejemplos que ilus-
tran el uso de esta tabla. Observe además que para x ě 3.5, la probabilidad
Φpxq es muy cercana a uno, es decir, para esos valores de x la campana
prácticamente ha decaı́do a cero en el lado derecho. Esto quiere decir que,
con probabilidad cercana a uno, los valores que toma una variable aleatoria
normal estándar están comprendidos entre ´3.5 y `3.5 .
286 3. Distribuciones de probabilidad

Por otro lado, a partir del hecho de que si X tiene distribución normal
estándar, entonces la variable ´X también tiene distribución normal estándar,
puede demostrarse que

Φp´xq “ 1 ´ Φpxq.

Un argumento geométrico también puede utilizarse para darse cuenta de

la validez de esta igualdad. En particular, este resultado ayuda a calcular
valores de Φpxq para x negativos en tablas de la distribución normal como la
presentada al final del texto, en donde sólo aparecen valores positivos para
x.

(a) Φpxq (b)

α

x zα

Figura 3.20

Ejemplo 3.15 Use la tabla de la distribución normal estándar para com-

probar que

1. Φp1.65q “ 0.9505 .

2. Φp´1.65q “ 0.0495 .

3. Φp´1q “ 0.1587 .

‚
3.13 Distribución normal 287

Ejemplo 3.16 Use la tabla de la distribución normal estándar para encon-

trar un valor aproximado de x tal que

1. Φpxq “ 0.3 .

2. Φpxq “ 0.75 .
#
1. x “ ´0.53 .
Respuestas:
2. x “ 0.68 .
‚

Ejemplo 3.17 Sea X una variable aleatoria con distribución Np5, 10q. Use
el proceso de estandarización y la tabla de la distribución normal estándar
para comprobar que

1. P pX ď 7q “ 0.7357 .

2. P p0 ă X ă 5q “ 0.2357 .

3. P pX ą 10q “ 0.0571 .

A continuación definiremos el número zα . Este término es usado con regu-

laridad en las aplicaciones de la distribución normal.

Notación zα . Para cada valor de α en el intervalo p0, 1q, el número zα

denotará el cuantil al 100p1 ´ αq % de la distribución normal estándar,
es decir,
Φpzα q “ 1 ´ α.

El significado geométrico del número zα se muestra en la Figura 3.20 (b),

en la página 286.

Ejemplo 3.18 Usando la tabla de la distribución normal estándar puede

comprobarse que, de manera aproximada,

a) z0.1 “ 1.285 .
288 3. Distribuciones de probabilidad

b) z0.2 “ 0.845 .

Finalmente, señalaremos que en R se pueden generar valores seudoaleatorios

de la distribución normal haciendo uso del siguiente comando.

# rnorm(k,µ, σ) genera k valores al azar de la distribución

# Npµ, σ 2 q. R usa el parámetro σ y no σ 2
> rnorm(5,3,2) # r = random
r1s 3.0408942 0.5529831 2.3426471 2.0050003 0.4448412

Ejercicios
411. Demuestre que la función de densidad normal con parámetros µ y σ 2

a) efectivamente es una función de densidad.

b) tiene un máximo absoluto en x “ µ. Esta es la moda de la dis-
tribución.
c) tiene puntos de inflexión en x “ µ ˘ σ.

412. Sea X una variable aleatoria con distribución Npµ, σ 2 q. Determine, de

manera aproximada, el valor de la constante c ą 0 tal que se satisfaga
la identidad que aparece abajo. Interprete este resultado.

P pµ ´ cσ ă X ă µ ` cσq “ 0.99 .

413. Demuestre que para cualquier x ą 0,

ż8
x ´x2 {2 2 1 2
2
e ď e´u {2 du ď e´x {2 .
1`x x x

414. Sea X una variable aleatoria con distribución Npµ, σ 2 q. Demuestre que

a) EpXq “ µ.
b) EpX 2 q “ µ2 ` σ 2 .
3.13 Distribución normal 289

c) VarpXq “ σ 2 .

415. Encuentre la moda y mediana de la distribución Npµ, σ 2 q.

416. F.g.m. Sea X una variable aleatoria con distribución Npµ, σ 2 q. De-
muestre que la función generadora de momentos de X es la función
que aparece abajo. Usando esta función y sus propiedades encuentre
nuevamente la media y la varianza de esta distribución.
1
M ptq “ expt µt ` σ 2 t2 u.
2

417. Momentos de la distribución normal centrada. Sea X una va-

riable aleatoria con distribución Np0, σ 2 q. Demuestre que
$ ˆ 2 ˙n{2
& n!
’ σ
si n es par,
n pn{2q! 2
EpX q “
’
0 si n es impar.
%

418. Suma. Sean X1 y X2 dos variables aleatorias independientes con dis-

tribución Npµ1 , σ12 q y Npµ2 , σ22 q. Use la función generadora de momen-
tos para demostrar que

X1 ` X2 „ Npµ1 ` µ2 , σ12 ` σ22 q.

419. Estandarización. Calculando primero la función de distribución y

después derivando para encontrar la función de densidad, o bien usan-
do la f.g.m., demuestre los siguientes dos resultados.

a) Si X „ Npµ, σ 2 q entonces Z “ pX ´ µq{σ „ Np0, 1q.

b) Si Z „ Np0, 1q entonces X “ µ ` σZ „ Npµ, σ 2 q.

420. Sean a ă b dos constantes positivas y sea Z una variable aleatoria con
distribución normal estándar. Demuestre que
? ?
P pa ă Z 2 ă bq “ 2 pΦp bq ´ Φp aqq.

421. Sea X una variable aleatoria con distribución Np5, 10q. Obtenga las
siguientes probabilidades en términos de la función Φpxq.
290 3. Distribuciones de probabilidad

a) P pX ď 7q. c) P p|X ´ 2| ď 3q.

b) P pX ą 4q. d ) P p|X ´ 6| ą 1q.

422. Sea X una variable aleatoria con distribución Np10, 36q. Calcule

a) P pX ą 5q. d ) P pX ě 16q.
b) P p4 ă X ă 16q. e) P p|X ´ 4| ď 6q.
c) P pX ď 8q. f ) P p|X ´ 6| ą 3q.

423. Suponga que el tiempo de vida útil X, medido en horas, de un com-

ponente electrónico se puede modelar de manera aproximada me-
diante una variable aleatoria con distribución normal con parámetros
µ “ 20, 000 hrs. y σ “ 500 hrs.

a) ¿Cuál es la probabilidad de que un componente dure más de

21, 000 horas?
b) Dado que un componente ha cubierto un tiempo de vida de
21, 000 horas, ¿cuál es la probabilidad de que funcione 500 horas
adicionales?

424. Suponga que el tiempo promedio que le toma a una persona cual-
quiera terminar un cierto examen de inglés es de 30 minutos, con una
desviación estándar de 5 minutos. Suponiendo una distribución apro-
ximada normal con estos parámetros, determine el tiempo que debe
asignarse al examen para que el 95 % de las personas puedan terminar
el examen.

425. Sea X una variable aleatoria con distribución Np0, σ 2 q y defina la

variable Y “ |X|. Calcule

a) EpX 2001 q. d ) EpY q.

b) FY pyq en términos de FX pxq. e) EpY 2 q.
c) fY pyq. f ) VarpY q.

426. Sea X una variable aleatoria con distribución Npµ, σ 2 q. Demuestre que
la variable Y “ eX tiene como función de densidad la expresión que
3.14 Distribución ji-cuadrada 291

aparece abajo. A esta distribución se le llama distribución lognormal.

pln y ´ µq2
$
1
’
& ? expr´ s si y ą 0,
f pyq “ y 2πσ 2 2σ 2
’
0 en otro caso.
%

3.14. Distribución ji-cuadrada

Decimos que la variable aleatoria continua X tiene una distribución ji-
cuadrada con n grados de libertad (n ą 0), si su función de densidad está
dada por la siguiente expresión.
$ ˆ ˙n{2
1 1
xn{2´1 e´x{2 si x ą 0,
’
&
f pxq “ Γpn{2q 2
’
0 en otro caso.
%

Se trata de una variable aleatoria continua con posibles valores en el inter-

valo p0, 8q. Esta distribución tiene sólo un parámetro, denotado aquı́ por la
letra n, al cual se le llama grados de libertad, y puede tomar cualquier valor
real positivo aunque en la mayorı́a de las situaciones que consideraremos
toma un valor entero natural y por eso lo hemos denotado por n. A pesar
de su aparente expresión complicada, no es difı́cil comprobar que f pxq es,
efectivamente, una función de densidad, y para ello se utiliza la definición
de la función gamma. La gráfica de esta función de densidad, para varios
valores de su parámetro, aparece en la Figura 3.21. Sus valores se pueden
calcular en el paquete R de la forma siguiente.

# dchisq(x,n) evalúa f pxq de la distribución χ2 pnq

> dchisq(2,3) # d = density
r1s 0.2075537

Escribiremos simplemente X „ χ2 pnq, en donde la letra griega χ se pronun-

cia “ji”. Por lo tanto, la expresión χ2 pnq se lee “ji cuadrada con n grados
de libertad”. Es interesante observar que la distribución χ2 pnq se obtiene de
la distribución gammapα, λq cuando α “ n{2 y λ “ 1{2. Por otro lado, la
292 3. Distribuciones de probabilidad

f pxq

1{2 n“1

n“2
n“3
n“4

x
1 2 3 4 5 6 7 8 9

Figura 3.21

expresión para la función de distribución no tiene una forma reducida: para

x ą 0,
żx ˆ ˙n{2
1 1
F pxq “ un{2´1 e´u{2 du,
0 Γpn{2q 2
y sus valores pueden calcularse en R de la forma que aparece en el siguiente
recuadro. Alternativamente en la parte final de este texto se encuentra una
tabla con algunas de estas probabilidades.

# pchisq(x,n) evalúa F pxq de la distribución χ2 pnq

> pchisq(2,3) # p = probability distribution function
r1s 0.4275933

A través de la construcción de una distribución χ2 con un parámetro ade-

cuado en el integrando correspondiente, puede demostrarse, sin mucha difi-
cultad, que

a) EpXq “ n.

b) VarpXq “ 2n.

La distribución ji-cuadrada puede obtenerse como indican los varios resul-

tados que a continuación se enuncian y cuyas demostraciones se pide desa-
rrollar en la sección de ejercicios.
3.14 Distribución ji-cuadrada 293

Proposición 3.7 Si X „ Np0, 1q, entonces

X 2 „ χ2 p1q.

Es decir, el cuadrado de una variable aleatoria con distribución normal

estándar tiene distribución ji-cuadrada con un grado de libertad. Vea el
Ejercicio 428. Por otro lado, el siguiente resultado establece que la suma de
dos variables aleatorias independientes con distribución ji-cuadrada tiene
distribución nuevamente ji-cuadrada con grados de libertad la suma de los
grados de libertad de los sumandos.

Proposición 3.8 Sean X y Y dos variables aleatorias independientes

con distribución χ2 pnq y χ2 pmq, respectivamente. Entonces

X ` Y „ χ2 pn ` mq.

En el Ejercicio 435 se pide usar la f.g.m. para demostrar este resultado, el

cual puede extenderse al caso cuando se tienen varias variables aleatorias
independientes con distribución χ2 . En particular, si X1 , . . . , Xn son varia-
bles independientes con distribución normal estándar, entonces la suma de
los cuadrados X12 ` ¨ ¨ ¨ ` Xn2 tiene distribución χ2 pnq. De este modo, si co-
nocemos una forma de simular n valores al azar de la distribución normal
estándar, la suma de los cuadrados de los números obtenidos será una obser-
vación de la distribución ji-cuadrada con n grados de libertad. Por último,
mencionaremos el siguiente resultado, el cual es utilizado en algunos proce-
dimientos estadı́sticos.
294 3. Distribuciones de probabilidad

Proposición 3.9 Sean X1 , . . . , Xn variables aleatorias independientes,

cada una de ellas con distribución Npµ, σ 2 q. Entonces

pn ´ 1q S 2
„ χ2 pn ´ 1q,
σ2
n n
1 ÿ 2 1ÿ
en donde S2 “ pXi ´ X̄q y X̄ “ Xi .
n ´ 1 i“1 n i“1

Para concluir esta sección mencionaremos que a través del siguiente coman-
do en R se pueden obtener valores seudoaleatorios de la distribución χ2 pnq.

# rchisq(k,n) genera k valores al azar de la distribución χ2 pnq

> rchisq(5,3) # r = random
r1s 2.5946656 6.9019593 0.7172345 4.5362704 0.7995995

Ejercicios
427. Compruebe que la función de densidad de la distribución χ2 pnq efec-
tivamente lo es.

428. Sea X una variable aleatoria continua. Demuestre que

? ?
a) FX 2 pxq “ FX p xq ´ FX p´ xq, para x ą 0.
b) si X „ Np0, 1q entonces X 2 „ χ2 p1q.

429. Sea X una variable aleatoria con distribución χ2 pnq y sea c ą 0 una
constante. Defina los parámetros α “ n{2 y λ “ 1{p2cq. Demuestre
que
cX „ gammapα, λq.

430. Compruebe que la distribución gammapα, λq, en donde α “ n{2 con

n P N y λ “ 1{2, se reduce a la distribución χ2 pnq.

431. Sea X una variable aleatoria con distribución χ2 pnq. Demuestre que
3.14 Distribución ji-cuadrada 295

a) EpXq “ n. c) EpX 3 q “ npn ` 2qpn ` 4q.

b) EpX 2 q “ npn ` 2q. d ) VarpXq “ 2n.

432. Moda. Sea X una variable aleatoria con distribución χ2 pnq. Demues-
tre que si n ą 2 entonces X tiene una única moda dada por

x˚ “ n ´ 2.

433. Momentos. Sea X una variable aleatoria con distribución χ2 pnq. De-
muestre que el k-ésimo momento de X es

2k Γpn{2 ` kq
EpX k q “ “ npn ` 2q ¨ ¨ ¨ pn ` 2k ´ 2q.
Γpn{2q

434. F.g.m. Sea X una variable aleatoria con distribución χ2 pnq. Demues-
tre que la función generadora de momentos de X es la función que
aparece abajo. Use esta función y sus propiedades para encontrar nue-
vamente la esperanza y la varianza de esta distribución.
ˆ ˙n{2
1
M ptq “ para t ă 1{2.
1 ´ 2t

435. Suma. Use la f.g.m. para demostrar que si X y Y son variables aleato-
rias independientes con distribución χ2 pnq y χ2 pmq, respectivamente,
entonces
X ` Y „ χ2 pn ` mq.

436. Sea U una variable aleatoria con distribución unifp0, 1q. Demuestre
que
´2 lnpU q „ χ2 pnq, con n “ 2.

en donde la distribución χ2 pnq, con n “ 2, coincide con exppλq, con

λ “ 1{2.