Probabilidades y Estadstica (M)

Funciones de densidad o probabilidad puntual, esperanzas, varianzas y funciones caractersticas

de las variables aleatorias ms frecuentes

Ken Matsuda Oteza

I. Distribuciones discretas

Distribucin Binomial Bi(n, p)

n k
pX (k) =
p (1 p)nk
k

k = 0, 1, . . . , n y 0 < p < 1

E (X) = np
var (X) = np(1 p)

n
X (t) = 1 + p eit 1

Un caso particular de la distribucin binomial es cuando n = 1. Esta distribucin suele

denominarse Bernoulli de parmetro p, Be (p) = Bi (1, p) .
Distribucin Geomtrica Ge(p)
pX (k) = p (1 p)k1

si k = 1, 2, . . . y 0 < p < 1

1
p
1p
var (X) =
p2
E (X) =

Distribucin Binomial Negativa (o de Pascal) BN(r, p)

k1 r
k = r, r + 1, . . . y 0 < p < 1
pX (k) =
p (1 p)kr
r1
r
p
r(1 p)
var (X) =
p2
E (X) =

La distribucin geomtrica es un caso particular de la distribucin binomial negativa: Ge(p) =

BN(1, p).
Distribucin Poisson P()
pX (k) =

k
e
k!

si k = 0, 1, 2, . . . y > 0

E (X) =
var (X) =
X (t) = e(exp(it)1)
1

Distribucin Hipergeomtrica H (N, r, m)

Ken Matsuda Oteza

N : total poblacional
r : cantidad de buenos en la poblacin
m : cantidad de elementos extra dos (tamao de la muestra)

r
N r
k mk

pX (k) =
si k es entero con max(r + m N, 0) k min (r, m)
N
m
r
N
r (N r) (N m)
var (X) = m
N
N
(N 1)
E (X) = m

II. Distribuciones continuas

Distribucin Normal N(, 2 )

2
1
2
fX (x) = e(x) /2
2

con > o

E (X) =
var (X) = 2

X (t) = eit e(t)

/2

La distribucin Normal estndar corresponde a la eleccin de parmetros N(0, 1).

y

0.3

0.2

0.1

-5

-2.5

2.5

5
x

Densidad de la normal estndar

Distribucin Gama (, )
fX (x) =

1 x
x e I(0,+) (x)
()

con > 0, > 0

var (X) = 2

E (X) =

Ken Matsuda Oteza

X (t) =
1 it

Recordemos que el s mbolo () representa a la funcin gama que se define por

Z
(y) =
xy1 ex dx
si y > 0
0

Satisface las siguientes propiedades:

(1)
()
(n)
(1/2)

=
=
=
=

1
( 1) ( 1)
(n 1)!
para n = 1, 2, 3, ...

En el grfico siguiente figuran las funciones de densidad de la gama para distintos valores de
los parmetros: la funcin de la l nea fina corresponde a = 3, = 3, la de l nea slida
de grosor intermedio corresponde a = 2, = 12 , y la de l nea punteada corresponde a
= 5, = 1. Con l nea punteada estn las esperanzas en cada caso.
y

0.8

0.6

0.4

0.2

8
x

Densidad de la gama
Distribucin Exponencial Exp()

fX (x) = ex I(0,+) (x)

1
var (X) = 2

E (X) =

X (t) =

it

con > 0

y
0.175
0.15

0.1
0.075
0.05
0.025
5

Ken Matsuda Oteza

0.125

10

15

20

25
x

Densidad Exponencial con = 1/5

La distribucin exponencial es un caso particular de la distribucin gama: Exp() =
(1, ) .
Distribucin Beta (a, b)
fX (x) =

(a + b) a1
x (1 x)b1 I(0,1) (x)
(a) (b)
E (X) =
var (X) =

con a, b > 0

a
a+b

ab
(a + b) (a + b + 1)
2

En el grfico siguiente figuran las funciones de densidad de la beta para distintos valores de
los parmetros: la funcin de la l nea fina corresponde a a = 3, b = 6, la de l nea slida
de grosor intermedio corresponde a a = 2, b = 2, y la de l nea punteada corresponde a
a = 10, b = 3. Con l nea punteada estn las esperanzas en cada caso.
y

3.5
3
2.5
2
1.5
1
0.5
0

0.25

0.5

0.75

Densidad de la beta
Distribucin Uniforme U [a, b]
f (x) =

1
I[a,b] (x)
ba
4

1
x

a+b
2
(b a)2
var (X) =
12
itb
e eita
X (t) =
i (b a) t
E (X) =

Ken Matsuda Oteza

La distribucin uniforme en el (0, 1) es un caso particular de la distribucin beta: U [0, 1] =

(1, 1) .
Distribucin T de Student con n grados de libertad tn

(n+1)/2
x2
((n + 1)/2)

1+
fX (x) =
n
(n/2) n
E (X) = 0 n 2
n
var (X) =
n>2
n2
Distribucin Chi cuadrado con n grados de libertad 2n = 2 (n) La distribucin
Chi
con n grados de libertad es un caso particular de la distribucin gama: 2n =
n cuadrado

2 , 12 (n N) .
E (X) = n
var (X) = 2n

Distribucin F de Snedecor con n y m grados de libertad Fn,m

fX (x) =

n (n+m)/2
((m + n)/2) n n/2 (n/2)1
1+ x
x
I(0,) (x).
(n/2)(m/2) m
m

Distribucin de Cauchy C (0, )

1
2
+ x2
X (t) = e|t|
fX (x) =

>0

R
La esperanza de esta distribucin no est definida pues +
|x| fX (x)dx = +. La
distribucin Cauchy C (0, 1) coincide con la distribucin T de Student de un grado de libertad,
C (0, 1) = t1 .

III. Propiedades

Ken Matsuda Oteza

- X P
Bi(n, p), Y Bi(m, p) independientes X + Y Bi(n + m, p). Ms an
X = ni=1 Wi con Wi Bi(1, p) independientes.
- X Ge(p), Y Ge(p) independientes X + Y BN(2,
Ms an, si W
Pp).
r
BN(r, p) existen Wi Ge(p) independientes tales que W = i=1 Wi .

- X P(1 ), Y P(2 ) independientes X + Y P(1 + 2 ).

- Bi (n, p) P() con = np y p << 1.

- H (N, r, m) Bi m, Nr cuando N es muy grande, y m << N.

- X1 (1 , ) , X2 (2 , ) independientes Y1 = X1 + X2 (1 + 2 , ) y es
X1
independiente de Y2 =
(1 , 2 ) .
X1 + X2

- X (, ) , c R cX , c .
- X N (, 2 ) , a, b R aX + b N (a + b, a2 2 ) . En particular, 1 (X )
N (0, 1) . Esta transformacin se conoce como estandarizacin de la normal.

- X N (1 , 21 ) , Y N (2 , 22 ) independientes, a, b, c R aX + bY + c
N (a1 + b2 + c, a2 21 + b2 22 ) .
- Sea Z N(0, 1), X1 2 (n) y X2 2 (m), variables aleatorias independientes.
Entonces
Z
U = p
tn
X1 /n
X1 /n
Fn,m
V =
X2 /m
- Sea X 2 (n), entonces existen Z1 , . . . , Zn N (0, 1) independientes tales que X =
Z12 + + Zn2 . En particular, Z12 2 (1).
- Sean X1 N(0, 1) y X2 N(0, 1), variables aleatorias independientes. Entonces
V =

X1
t1 = C (0, 1)
X2

- Sean X1 C (0, 1 ) y X2 C (0, 2 ) , variables aleatorias independientes. Entonces

X1 + X2 C (0, 1 + 2 ) y aX1 C (0, a1 ) , a R.