Teorı́a de la Probabilidad

Laura Berenice Nieto Gaspar

Diciembre 2023

1. Distribuciones Continuas de Probabilidad

1.1. Distribución Normal
La distribución normal, también conocida como distribución gaussiana, es
un modelo matemático que describe cómo se distribuyen los valores de una
variable continua alrededor de su media. Su caracterı́stica principal es la forma
de campana simétrica que tiene alrededor de la media.

X ∼ N (x : µ, σ 2 )
ie X tiene distribución normal si:
1 (x−µ)2
f (x) = √ e− 2σ2
2πσ
Donde:

x, µ ∈ ℜ − ∞ < x, µ < ∞ σ>0

Es una función de densidad si cumple:

σ≥0
R∞
−∞
f (x)dx = 1

Demostramos que es una función de densidad, escogemos a I arbitrariamente

para identificar la integral, por lo que:
Z ∞ Z ∞
1 (x−µ)2
I= f (x)dx = √ e− 2σ2 dx
−∞ −∞ 2πσ

Realizamos un cambio de variable u = x−µ

σ dx = σdu
Z ∞ Z ∞
1 −u2 1 u2
= √ e 2 σdu = √ e− 2 du
−∞ 2πσ −∞ 2π

1
Entonces dado que u es una variable arbitraria podemos realizar
Z ∞  Z ∞ 
2 1 − x2 1 −y2
I = √ e 2 dx √ e 2 dy
−∞ 2π −∞ 2π
Z ∞Z ∞
1 −(x2 +y2 )
= e 2 dxdy
−∞ −∞ 2π

Realizamos un cambio de variable a coordenadas polares:

x = r cos(θ) y = r sin(θ)

0 ≤ θ ≤ 2π x2 + y 2 = r2
Jacobiano r Z 2π Z ∞
1 −r2
= e 2 rdrdθ
0 0 2π
Z ∞
−r 2 −r 2
re 2 dr = (e 2 )|∞
0 = 0 − (−1) = 1
0
∴ La función si es función de probabilidad
Para calcular probabilidades con la función:
Z b
1 r(x−µ)2
P (x ∈ (a, b)) = √ e 2σ2 dx
a 2πσ
Gráficamente:
Z x
1 2 2
F (x) = P (X ≤ x) = √ e−(u−µ) /2σ du
−∞ 2πσ
Nota:
Esta integral es difı́cil de llevar a cabo por lo que puede simplificarse mediante
el empleo de la siguiente transformación:
Sea Z una variable aleatoria definida por la siguiente relación
(x − µ)
Z=
σ
Z ∼ N (0, 1) Z tiene una distribución normal estándar:
1 −x2
f (x) = √ e 2 ∀x ∈ ℜ
2π
Función de distribución (Φ)
Z x
1 −u2
Φ(x) = P (Z ≤ x) = √ e 2 du
−∞ 2π
La distribución normal estándar y la no estándar están relacionadas por:

2
 x ∼ N (µ, σ 2 ) → z = x−µ σ ∼ N (0, 1) tiene una distribución normal
estándar(a este proceso se le llama estandarización)
z ∼ N (0, 1) → x = µ + σ 2 ∼ N (µ, σ 2 )
Demostramos el primer inciso
Si x ∼ N (µ, σ 2 ) entonces z = x−µ
σ ∼ N (0, 1) Estandarización
Dem
Fz (z) = P (Z ≤ z)
x−µ
= P( ≤ z)
σ
= P (x ≤ µ + σz)
= Fx (µ + σz)
Entonces derivando ambos lados

fz (z) = fx (µ + σz)σ
 
1 −((µ+σz)−µ)2 /2σ 2
fz (z) = σ √ e
2πσ
Por lo que se reduce al final como:
1 −z2
fz (z) = √ e 2
2π
Esta es la función de densidad normal estándar, por lo que concluimos que z
tiene distribuı́an normal estándar con media cero y desviación estándar uno
N (0, 1)
En consecuencia si x ∼ N (µ, σ 2 ), entonces

P (x ∈ (a, b]) = P (a < x ≤ b)

= P (a − µ < x − µ ≤ b − µ)
a−µ x−µ b−µ
= P( < ≤ )
σ σ σ
a−µ b−µ
= P( <z≤ )
σ σ
Esto es la función de distribución de la normal estándar
b−µ a−µ
= Φ( ) − Φ( )
σ σ
b−µ a−µ
P (x ∈ [a, b]) = Φ( ) − Φ( )
σ σ
De esta forma las probabilidades de eventos de variables aleatorias normales no
estándar se pueden reducir a probabilidades de eventos de la variable aleatoria
normal estándar.

3
1.1.1. Ejercicio 5.3
Sea X ∼ N (200, 20) Determinar las siguientes probabilidades

Nota: para encontrar dichas probabilidades usaremos el proceso de estanda-

rización previamente enunciado. Además usamos como apoyo la tabla normal
estandar z que presenta los valores de probabilidad para una variable estandar
z, la tabla nos proporciona la probabilidad de que la variable sea menor o igual
que un número.

a)P (185 < x < 210)

Para encontrar la probabilidad de x, realizaremos la estandarizacion de nues-

tra variable de forma que ahora encontraremos la probabilidad de z

a−µ b−µ 185 − 200 210 − 200

= P (185 < x < 210) = P ( <z< ) = P( <z< )
σ σ 20 20
= P (−0,75 < z < 0,5) = P (z < 0,5)−P (z < −0,75) = 0,6914−0,2266 = 0,4648

b)P (215 < x < 250)

Para encontrar la probabilidad de x, realizaremos la estandarizacion de nues-

tra variable de forma que ahora encontraremos la probabilidad de z

a−µ b−µ 215 − 200 250 − 200

= P (215 < x < 250) = P ( <z< ) = P( <z< )
σ σ 20 20
= P (0,75 < z < 2,5) = P (z < 2,5) − P (z < 0,75) = 0,9937 − 0,7733 = 0,2204

c)P (x > 240) Para encontrar la probabilidad de x, realizaremos la estandariza-

cion de nuestra variable de forma que ahora encontraremos la probabilidad de
z
x−µ 240 − 200
= P (x > 240) = 1 − P (z ≤ ) = 1 − P (z < )
σ 20
= 1 − P (z ≤ 2,0) = 1 − 0,9772 = 0,0228

d)P (x > 178) Para encontrar la probabilidad de x, realizaremos la estanda-

rizacion de nuestra variable de forma que ahora encontraremos la probabilidad
de z
x−µ 178 − 200
= P (x > 178) = 1 − P (z ≤ ) = 1 − P (z < )
σ 20
= 1 − P (z ≤ 1,1) = 1 − 0,1356 = 0,8644

4
1.1.2. Ejercicio 5.10
El peso de cereal que contiene una caja se aproxima a una distribución
normal con una media de 600 gramos. El proceso de llenado de las cajas está
diseñado para que de entre 100 cajas, el peso de una se encuentre fuera del
intervalo 590-610 gramos. ¿Cuál es el valor máximo de la desviación estándar
para alcanzar este requerimiento?

Se busca que solo una caja esté fuera del intervalo de 590-610 gramos entre
100 cajas. Esto se puede expresar como la probabilidad de que una caja caiga
99
fuera de este intervalo siendo P (590 ≤ X ≤ 610) = 100 donde X es la variable
aleatoria que representa el peso de una caja.

Para una distribución normal estándar, podemos usar la estandarización

Z = X−µ
σ donde µ = 600gr es la media y σ es la desviación estándar

El problema se traduce a encontrar el valor máximo de σ tal que:

a−µ b−µ
P( <z≤ )
σ σ
590 − 600 610 − 600 99
p( ≤z≤ = )
σ σ 100
−10 10 99
p( ≤z≤ )=
σ σ 100

Ahora, utilizando la propiedad aditiva de la probabilidad para la distribución

normal estándar, podemos expresar esto como:
−10 10 −10 10
p( ≤z≤ ) = p( ≤ z ≤ 0) + p(0 ≤ z ≤ )
σ σ σ σ

Dado que la distribución normal es simétrica alrededor de cero,

−10 10
p( ≤ Z ≤ 0) = P (0 ≤ Z ≤ )
σ σ
Por lo tanto podemos reescribir la ecuaión como:
−10 10 10
p( ≤z≤ = 2P (0 ≤ Z ≤ )
σ σ σ

10
2P (0 ≤ Z ≤ ) ≥ 0,99
σ
10
P (0 ≤ Z ≤ ) ≥ 0,495
σ

5
 Pero P (Z ≥ 0) = −F (z ≤ 0) = −0,5 de donde
10
P (0 ≤ Z ≤ ) − 0,5 ≥ 0,495
σ
10
P (0 ≤ Z ≤ ) ≥ 0,995
σ
10
Ası́: z ≥ 2,58 σ ≥ 2,58 σ ≤ 3,876
Por lo que le valor máximo de σ para alcanzar el requerimiento estará dado por
3.876

1.2. Distribucion Gama

La media de una distribución gama se encuentra mediante el cálculo del
valor esperado de la variable aleatoria.
Z ∞
E(x) = xf (x)dx
−∞

donde f (x) es la función de densidad de probabilidad de la distribución gama,

su función de densidad de probabilidad es
1 α−1 x
f (x) = x e−
Γ(α)Θα Θ
Sustituimos la función de densidad de probabilidad f (x; α, θ) en la fórmula
de la media: Z ∞
1 − x
µ= x α
xα−1 e Θ dx
0 Γ(α)Θ
Para resolver esta integral, se puede utilizar la definición de la función gama:
Z ∞
Γ(α) = tα−1 e−t dt
0

Al realizar un cambio de variable t = xθ , obtenemos:

Z ∞
1
µ= (Θt)α e−t Θdt
Γ(α)θα 0
Z ∞
1
µ= Θ α+1
(t)α e−t dt
Γ(α)θα 0
Θ
µ= Θα+1 Γ(α + 1)
Γ(α)
Utilizando la propiedad Γ(α + 1) = αΓ(α), simplificamos la expresión:

µ = θαθ( α) = αθ( α + 1) = µ = αθ

Entonces, la fórmula de la media para la distribución gama es µ = αθ

6
 Ahora demostraremos la moda de la distribución Gama La moda de una
distribución es el valor que maximiza la función de densidad de probabilidad.
Entonces, para encontrar la moda, tomamos la derivada de la función de den-
sidad de probabilidad con respecto a x y la igualamos a cero para encontrar el
punto crı́tico.
Empezamos tomando la derivada de f (x; α, θ) con respecto a x:

d d 1 x
f (x; α, θ) = ( α
xα−1 e− Θ )
dx dx Γ(α)Θ

Para simplificar, usaremos la regla del producto y la regla de la cadena en la

derivada:
d 1 d x d x
f (x; α, θ) = α
[ (xα−1 )e− Θ + xα−1 (e− Θ )]
dx Γ(α)Θ dx dx
x x
La derivada de xα−1 es (α − 1)xα−2 y la derivada de e− θ es − θ1 e− θ asi que:

d 1 x
α−2 − Θ xα−1 − x
f (x; α, θ) = [(α − 1)x e − e Θ]
dx Γ(α)Θα Θ
Ahora, igualamos esta derivada a cero para encontrar el punto crı́tico:

1 x
α−2 − Θ xα−1 − x
[(α − 1)x e − e Θ] = 0
Γ(α)Θα Θ
x
Simplificando la expresión dividiendo por e− θ y multiplicando por Γ(α)θα

xα−1
(α − 1)xα−2 − =0
θ
Multiplicando ambos lados por θxα−2 para despejar x:

(α − 1)θxα−2 − xα−1 = 0

(α − 1)θ = x
Entonces, el valor de x que maximiza la función de densidad de probabilidad
es x = (α − 1)θ Y como hemos definido x como la moda de la distribución,
podemos afirmar que la moda es (α − 1)θ

1.2.1. Ejercicio 5.31

La edad a la que un hombre contrae matrimonio por primera vez es una
variable aletoria con distribución gama. Si la edad promedio es de 30 años y lo
más común es que el hombre se case a los 22 años, encontrar los valores de los
parámetros α y θ, para esta distribución.
Solución:
Media de la distribución gama µ = αθ

7
Moda de la distribución gama m = (α − 1)θ
Estos resultados fueron previamente demostrados

µ = αθ = 30
m = (α − 1)θ = 22
de la media despejamos α
30
α=
θ
sustituyendo α en la moda tenemos
( 30
θ − 1)θ = 22 30 − θ = 22 θ=8 α= 30
8 α = 3,75

Por tanto los valores para de los parámetros son θ = 8 y α = 3,75