FORMULARIO DE DISTRIBUCIONES DE

PROBABILIDAD

Jorge M. Galbiati

pag.
DISTRIBUCION BINOMIAL

DISTRIBUCION POISSON

DISTRIBUCION HIPERGEOMETRICA

DISTRIBUCION GEOMETRICA

DISTRIBUCION NORMAL

DISTRIBUCION JI-CUADRADO

11

DISTRIBUCION T DE STUDENT

13

DISTRIBUCION F DE SNEDECOR

15

DISTRIBUCION UNIFORME

17

DISTRIBUCION EXPONENCIAL

18

DISTRIBUCION GAMA

20

DISTRIBUCION BETA

23

TRANSFORMACION DE VARIABLES ALEATORIAS CONTINUAS

25

DISTRIBUCION BINOMIAL
Funci
on de probabilidad:
p(x) =

n!
px (1 p)nx
x!(n x)!

Espacio param
etrico:
Valor esperado:
Varianza:

n {1, 2, 3, ...}

si x = 0, 1, 2, ..., n

p (0, 1)

np

np(1 p)
(1 p + p et )n

Funci
on generadora de momentos:

F(x)

p(y)

APROXIMACION NORMAL DE LA BINOMIAL

Si una variable aleatoria X tiene distribucion binomial con parametros n y p,
entonces si n es grande y si p no es ni muy cercano a cero ni muy cercano a 1, la
Xnp
variable aleatoria Z = (np(1p))
tiene distribucion aproximada normal estandar.
En la practica, si n es grande y p no es ni muy peque
no ni muy grande, si se requiere
la probabilidad acumulada F (x) con F distribucion binomial, se puede obtener su
valor aproximado buscando en la tabla normal

x 0,5 np 
FN
(np(1 p)
andar. Se puede utilizar, como criterio, las
en que FN es la distribucion normal est
condiciones simultaneas n > 30 , np > 5 y n(1 p) > 5.

APROXIMACION POISSON DE LA BINOMIAL.

Si una variable aleatoria X tiene distribucion binomial con parametros n y p, entonces si n es grande, y p muy cercano a cero, la variable aleatoria X tiene distribucion aproximada poisson con parametro = np.
En la practica, si n es grande y p cercano a cero, si se requiere la probabilidad acumulada F (x) con F distribucion binomial, se puede obtener su valor aproximado
buscando en la tabla poisson
FP (x) =

x

e ()y
y=0

y!

en que FP es la distribucion poisson con parametro = np. Se puede utilizar, como

criterio, las condiciones simultaneas n > 30 y np 5.

DISTRIBUCION POISSON
Funci
on de probabilidad:
e x
p(x) =
x!

si x = 0, 1, 2, ...

Espacio param
etrico:
(0, +)
Valor esperado:

Varianza:

Funci
on generadora de momentos:

e[(e 1)]
t

F(x)

p(y)

APROXIMACION NORMAL DE LA POISSON.

Si una variable aleatoria X tiene distribucion Poisson con parametro , entonces

tiene distribucion aproximada normal

si es grande, la variable aleatoria Z = X

est
andar.
En la practica, si es grande, si se requiere la probabilidad acumulada F (x) con F
distribucion Poisson, se puede obtener su valor aproximado buscando en la tabla
normal

x 
FN
(
andar. Se puede utilizar, como criterio, la
en que FN es la distribucion normal est
condicion > 36 .

DISTRIBUCION HIPERGEOMETRICA
Funci
on de probabilidad:
p(x) =

k!
n!(nk)!

(N k)!
(nx)!(N kn+x)!
N!
n!(N n)!

si x = a, a + 1, a + 2, ..., b

en que a = max(0; n + k N) y b = min(k, n). x es el n

umero de exitos en la
muestra.
Espacio param
etrico:
N,k y n enteros positivos, tales que k < N, n < N y
n < N k.
N es el tama
no de la poblacion.
k es el n
umero de exitos en la poblacion.
n es el tama
no de la muestra.
nk
N

Valor esperado:
Varianza:

nk
(1
N

k
n
) N
N
N 1

Funci
on generadora de momentos:
(N n)!(N k)!
H(n; k; N k n + 1; et )
N!
donde H(p, q, r, z) = 1 +

pq z
r 1!

p(p+1)q(q+1) z 2
r(r+1)
2!

p(p+1)(p+2)q(q+1)(q+2) z 3
r(r+1)(r+2)
3!

(funcion hipergeometrica)
F(x)

p(y)

APROXIMACION BINOMIAL DE LA HIPERGEOMETRICA

Si una variable aleatoria X tiene distribucion hipergeom
etrica con parametros
k
N, k y n, entonces si N es grande y si N no es ni muy cercano a cero ni muy
cercano a 1, X tiene distribucion aproximada binomial con parametros n y p = Nk .

DISTRIBUCION GEOMETRICA
Funci
on de probabilidad:
p(x) = p(1 p)x1

si x = 1, 2, 3, ...b

x es el n
umero de intentos hasta lograr el primer exito.

Espacio param
etrico:
1
Valor esperado:
p
Varianza:

p (0, 1), probabilidad de exito en un intento.

1p
p2
t

si t < log(1 p)

e
p 1(1p)e
t

Funci
on generadora de momentos:

F(x)

p(y)

DISTRIBUCION NORMAL
Funci
on de probabilidad:
 (x )2 
1
p(x) =
exp
2 2
(2)
Espacio param
etrico:
Valor esperado:
Varianza:

para x (, +)

media (, +)

varianza 2 (0, +)

2
e(t+

Funci
on generadora de momentos:

2 t2 /2)

f(y)

F(x)
0

DISTRIBUCION NORMAL ESTANDAR

Es un caso especial de la normal, en que = 0 y 2 = 1.
Funci
on de densidad:
f (x) =

Valor esperado:
Varianza:

 x2 
1
exp
2
(2)

para x (, +)

1
2 /2

et

Funci
on generadora de momentos:

RELACION CON LA NORMAL ESTANDAR

Los valores de la funcion de distribucion de la normal con parametros y 2 se
obtienen de la tabla de distribucion normal est
andar (en que = 0 y 2 =1)
como se muestra a continuacion. Por esa razon solo se entrega la tabla de la normal
est
andar.
Si se requiere la probabilidad acumulada hasta la cuantila x, se efect
ua la transforx
macion z = y se busca la probabilidad asociada a la cuantila z en la tabla de
distribucion normal est
andar.
Al reves, si se quiere saber a que cuantila corresponde una probabilidad acumulada
dada, F (z), se busca la cuantila z asociada a F (z) en la tabla de distribucion normal est
andar. Entonces la correspondiente cuantila de la normal con parametros
y 2 es x = z + .

FUNCIONES LINEALES DE NORMALES

1.- Si X es una variable aleatoria normal con valor esperado y varianza 2 , si a
y b son constantes, entonces la variable aleatoria a + bX tiene distribucion normal,
con valor esperado a + b y varianza b2 2 .
tiene distribuComo caso particular, la variable aleatoria estandarizada Z = X

cion normal est

andar.
2.- Si X1 y X2 son variables aleatorias normales (pag. 50), estadsticamente independientes, con valores esperados respectivos 1 y 2 , con varianzas respectivas
12 y 22 , y si a y b son dos n
umeros reales, entonces la variable aleatoria aX1 + bX2
tiene distribucion normal con valor esperado a1 + b2 y varianza a2 12 + b2 22 .
3.- Si X1 , X2 , ...., Xn son n variables aleatorias normales con valor esperado ,
y varianza 2 entonces el promedio X= n1
valor esperado y varianza 2 /n.

n
i=1

Xi tiene distribucion normal con

TEOREMA DEL LIMITE CENTRAL

Si X1 , X2 , ...., Xn son n variables aleatorias estadsticamente independientes, con
valor esperado y varianza 2 y cualquier distribucion probabilstica, continua o
X
tiene distribuci
on
discreta, entonces si n es grande, la variable aleatoria Z= /
n
aproximada normal est
andar

10

DISTRIBUCION JI CUADRADO
Funci
on de densidad:
f (x) =

Varianza:

xk/21 ex/2

si x > 0

Grados de libertad k {1, 2, 3, ...}

Espacio param
etrico:
Valor esperado:

1
2k/2 (k/2)

2k

Funci
on generadora de momentos:

1
12t

k/2
para t < 1/2

f(y)

F(x)
0

APROXIMACION NORMAL DE LA JI-CUADRADO.

Si una variable aleatoria X tiene distribucion ji-cuadrado con k grados de libertad,
tiene distribucion aproximada
entonces si k es grande la variable aleatoria Z = Xk
(2k)
normal standard.
En la practica, si k es grande, si se requiere la probabilidad acumulada F (x) con
F distribucion ji-cuadrado, se puede obtener su valor aproximado buscando en la
tabla normal

xk 
FN
(2k)
en que FN es la distribucion normal est
andar. Se puede utilizar, como criterio, la
condicion k > 200.

11

CONSTRUCCION DE UNA JI-CUADRADO A PARTIR DE NORMALES

andar estadstica1.- Si Z1 , Z2 , ...., Zn son n variables aleatorias normales est
n
mente independientes, entonces la variable aleatoria i=1 Zi2 tiene distribucion
ji-cuadrado con n grados de libertad.

2.- Si X1 , X2 , ...., Xn son n variables aleatorias normales con valor esperado y


2
tiene disvarianza 2 , independientes, entonces la variable aleatoria ni=1 (XiX)
2
tribucion ji-cuadrado con n 1 grados de libertad.
Ademas esta expresion es estadsticamente independiente del promedio X.

12

DISTRIBUCION T DE STUDENT
Funci
on de densidad:


k+1
2
1


f (x) = 
(k)

k/2

1
1+

x2
k

 k+1
2

para x (, +)

Espacio param
etrico:

Grados de libertad k {1, 2, 3, ...}

Valor esperado:

para k > 1

Varianza:

k
k2

para k > 2

Funci
on generadora de momentos:

no existe

f(y)

F(x)
0

VALORES DE PROBABILIDAD MENORES QUE 0.5

Por la simetra de la distribucion t de student , rige la igualdad F (x) = 1 F (x).
Por esa razon, la tabla solo tiene probabilidades mayores que 0.5, asociadas a cuantiles positivos.
Si se requiere el cuantil asociado a una probabilidad acumulada P menor que 0.5,
se ingresa a la tabla el valor de probabilidad acumulada 1 P ; al correspondiente
cuantil x obtenido de la tabla se le pone signo menos, quedando x como el cuartil
requerido.

13

APROXIMACION NORMAL DE LA T DE STUDENT

Si una variable aleatoria X tiene distribucion t de student con k grados de libertad,
entonces si k es grande la variable aleatoria X tiene distribucion aproximada normal
standard.
En consecuencia, si k es grande, si se requiere la probabilidad acumulada F (x) con
F distribucion t de student, se puede obtener su valor aproximado buscando en la
tabla normal el valor FN (x) , en que FN es la distribucion normal standard. Se
puede utilizar, como criterio, la condicion k > 200 .
CONSTRUCCION DE UNA T DE STUDENT A PARTIR DE UNA NORMAL Y
UNA JI-CUADRADO
1.- Si Z es una variable aleatoria normal est
andar y V es una variable aleatoria
ji-cuadrado con n grados de libertad, ambas estadsticamente independientes,
Z
tiene distribucion t de student con n grados
entonces la variable aleatoria (X/n)
de libertad.

2.- Si X1 , X2 , ...., Xn son n variables aleatorias normales con valor esperado

y varianza 2 , estadsticamente independientes, entonces la variable aleatoria
X
tiene distribuci
on t de student con n 1 grados de libertad, en que X es el
s/ n
n (Xi X)2
2
promedio y s = i=1 n1 es la varianza muestral.

14

DISTRIBUCION F DE SNEDECOR
Funci
on de densidad:





n/2
n+d
2
xn/21


f (x) =

 n/d
 n+d
2
n2 d2
1 + nd x

si x > 0

Espacio param
etrico: grados de libertad del numerador n y grados de libertad
del denominador d ambos enteros positivos.
d
d2

para d > 2

2d2 (n+d2)
n(d2)2 (d4)

para d > 4

Valor esperado:
Varianza:

Funci
on generadora de momentos:

no existe

f(y)

F(x)
0

INVERSION DE LA F DE SNEDECOR
Se puede usar la siguiente relacion para calcular valores que no aparecen en la tabla:
Si la variable aleatoria X tiene distribucion F con n grados de libertad del numerador
y d grados de libertad del denominador, entonces 1/X tiene distribucion F, con d
grados de libertad del numerador y n grados de libertad del denominador.
Por lo tanto se pueden obtener mas valores de los que aparecen en la tabla, mediante
en la relacion Fn,d (x) = 1 Fd,n ( x1 ) en que F es el valor de probabilidad acumulada
de la tabla, el primer subndice corresponde a los grados de libertad del numerador,
el segundo a los grados de libertad del denominador.

15

CONSTRUCCION DE UNA F DE SNEDECOR A PARTIR DE DOS

JI-CUADRADO
1.- Si X es una variable aleatoria ji-cuadrado con n grados de libertad e Y es una
variable aleatoria ji-cuadrado con d grados de libertad, estadsticamente independientes, entonces el cuociente X/n
tiene distribucion F de Snedecorcon n grados
Y /d
de libertad en el numerador y d grados de libertad en el denominador.

Y /d
tiene distribucion F de Snedecor con d grados de libertad en el
2.-Tambien X/n
numerador y n grados de libertad en el denominador.

16

DISTRIBUCION UNIFORME
Funci
on de densidad:
f (x) =

1
ba

si a < x b

Espacio param
etrico:
< a, b <
a+b
2

Valor esperado:
Varianza:

a<b

(ba)2
12

Funci
on generadora de momentos:
ebt eat
(b a)t

f(y)
1
b-a
F(x)
0

VALORES DE LA DISTRIBUCION UNIFORME

La funcion de distribucion de la uniforme se puede calcular analticamente mediante
la formula

0

F (x) =

xa
ba

17

si x a
si a < x b
si x > b

DISTRIBUCION EXPONENCIAL
Funci
on de densidad:
f (x) = ex

Espacio param
etrico:
Valor esperado:
Varianza:

si x > 0

T asa media de ocurrencia > 0

1
2

Funci
on generadora de momentos:

para t <

f(y)

F(x)
0

VALORES DE LA DISTRIBUCION EXPONENCIAL

La funcion de distribucion de la exponencial se puede calcular analticamente mediante la formula F (x) = 1 ex para x > 0.

18

RELACION ENTRE UNA POISSON Y UNA EXPONENCIAL

1.- Si X es una variable aleatoria Poisson con parametro , que describe el n
umero
de ocurrencias de un fenomeno por unidad de tiempo, entonces la variable aleatoria que describe el tiempo entre ocurrencias tiene distribucion exponencial con
parametro . En tal caso el parametro es la tasa media de ocurrencias por
unidad de tiempo, y = 1/ es el tiempo medio entre ocurrencias.

2.- En forma recproca, si Y es una variable aleatoria exponencial con parametro

, que describe el tiempo entre ocurrencias de un fenomeno, entonces el n
umero de
veces que ocurre el fenomeno en una unidad de tiempo, es una variable aleatoria
con distribucion Poisson, con el mismo parametro, que representa la tasa media
de ocurrencias por unidad de tiempo.

19

DISTRIBUCION GAMA
Funci
on de densidad: Hay dos formas usuales de parametrizar esta distribucion.
Primera parametrizacion (Par. 1):
f (x) =

p
xp1 ex
(p)

si

x>0

Segunda parametrizacion (Par. 2):

f (x) =

x
1
xp e
(p)

si

x>0

Espacio param
etrico:

Par. 1: P arametro de escala > 0

P arametro de f orma p > 0
Par. 2: P arametro de escala > 0
P arametro de f orma p > 0

Valor esperado:
Varianza:

Par. 1:

Par. 1:
p
2

Par. 2:

Par. 2: p 2

Funci
on generadora de momentos:
Par. 1:
Par. 2:


p
t

1
(1t)p

20

para t <
para t <

f(y)

F(x)
0

Casos particulares:
1)
Si p=1 (parametro de forma) entonces la gama se convierte en una exponencial cuyo parametro es igual al parametro de escala de la gama, (Par. 1) o
equivalentemente (Par. 2).
umero entero positivo, y si = 12 (Par. 1) o
2)
Si p= 12 k , en que k es cualquier n
equivalentemente =2 (Par. 2) , entonces la gama se convierte en una ji-cuadrado
cuyo parametro grados de libertad es igual a k.
La funcion de distribucion gama no se puede calcular analticamente, salvo en casos
especiales.

21

RELACIONES ENTRE GAMAS

Lo siguiente se expresa en terminos de la primera parametrizacion, con el parametro
. Es equivalente para la segunda parametrizacion, con el parametro . Solo se debe
sustituir por .

1.- Si X1 , X2 , ...., Xn son n variables aleatorias gama estadsticamente independientes, con parametros de forma respectivos p1 , p2 , ...., pn , y con parametro de

escala com
un , entonces la variable aleatoria Y = ni=1 Xi tiene distribucion gama

con parametro de forma p = ni=1 pi y parametro de escala .

2.- Si X1 y X2 son variables aleatorias gama estadsticamente independientes,

un encon parametros de forma respectivos p1 y p2 y parametro de escala com
X1
tonces las variables aleatorias U=X1 + X2 y V = X1 +X2 son independientes, U
tiene distribucion gama con parametro de forma p1 + p2 y de escala , y V tiene
distribucion beta (pag. 104) con parametros r = p1 y s = p2 .

3.- Caso especial de 1. Si X1 , X2 , ...., Xn son n variables aleatorias exponenciales

estadsticamente independientes, con parametro com
un , entonces la variable
n
aleatoria Y = i=1 Xi tiene distribucion gama con parametro de forma p = n y
parametro de escala .
A esta forma especial de gama, con parametro de forma entero, se le suele dar el
nombre de distribucion erlang.

4.- Caso especial de 1. Si X1 , X2 , ...., Xn son n variables aleatorias ji-cuadrado

estadsticamente independientes, con parametros respectivos (grados de liber
tad) k1 , k2, ...., kn , entonces la variable aleatoria Y = ni=1 Xi tiene distribucion ji
cuadrado con k = ni=1 ki grados de libertad.

22

DISTRIBUCION BETA
Funci
on de densidad:
f (x) =

(r + s) r1
(1 x)s1
x
(r) (s)

si

0<x<1

Espacio param
etrico:
r>0, s>0

Valor esperado:

r
r+s

rs
(r+s)2 (r+s+1)

Varianza:

Momentos:
La funcion generadora de momentos no tiene una forma
analtica. Sin embargo, el momento m-esimo puede obtenerse directamente, mediante la formula

(r+m)!
m = (r+s+1)!
(r+s+m+1)! r!

para

m=1, 2, ..

f(y)

f(y)
F(x)
0

F(x)
x

En la gura de la izquierda, r < s, mientras que en la gura de la derecha, r > s.

Si r y s son iguales, la densidad es simetrica.

23

La funcion de distribucion beta no se puede calcular analticamente, salvo en casos

especiales.
Caso particular:
Si r=1 y s=1 entonces la beta se convierte en una uniforme con parametros a=0
y b=1.

24

TRANSFORMACION DE VARIABLES ALEATORIAS CONTINUAS

1.- Si X es una variable aleatoria continua con funcion de densidad fX (x) y g() es
una funcion creciente, entonces la nueva variable aleatoria Y = g(X) tiene funcion
de densidad dada por la formula
fY (y) =

1
f [g 1(y)]
|g
[g 1 (y)]| X

en que || denota el valor absoluto, g  es la derivada y g 1 es la inversa de la funcion

g.
2.- Caso especial de 1. Si la funcion g(x) del parrafo 1 es una funcion lineal
g(x) = a + bx, en que a y b son constantes, b = 0, entonces la variable aleatoria
Y = g(X) tiene densidad
fY (y) =

1
f ya
)
|b| X
b

25