Ignacio Cascos Fernandez

Departamento de Estadstica
Universidad Carlos III de Madrid

Modelos de distribuciones discretas y continuas

Estadstica I curso 20082009

1.

Distribuciones discretas

Aquellas que estan asociadas a variables aleatorias discretas.

Distribuci
on degenerada. Una variable aleatoria X es degenerada en un
valor real a R si toma dicho valor con probabilidad 1, es decir P (X = a) =
1, su media y varianza son entonces obvias a partir de resultados del tema
anterior,
E[X] = a ; var[X] = 0.

1.1.
1.1.1.

Proceso de Bernoulli
Modelos principales asociados al proceso de Bernoulli

Distribuci
on de Bernoulli, B(1, p). Una variable aleatoria X sigue distribucion de Bernoulli de parametro p (0, 1) y se denota X B(1, p) si
describe el n
umero de exitos en una realizacion de un experimento que tiene probabilidad de exito p (probabilidad de fracaso 1 p). Toma valores en
{0, 1}.
P (X = 1) = p ; P (X = 0) = 1 p ;
E[X] = p ;

var[X] = p(1 p).

Distribuci
on Binomial, B(n, p). Una variable aleatoria X sigue distribucion Binomial de parametros n N y p (0, 1) y se denota X B(n, p)
si describe el n
umero de exitos en n realizaciones independientes de un experimento que tiene probabilidad de exito p (probabilidad de fracaso 1 p).
Puede tomar cualquier valor en {0, 1, . . . , n}.
Si k {0, 1, . . . , n}, se cumple
 
n k
P (X = k) =
p (1 p)nk ;
k
E[X] = np ;

var[X] = np(1 p).

Propiedad. Las distribuciones binomiales son reproductivas de parametro

n, es decir, dadas dos variables aleatorias X B(n1 , p) e Y B(n2 , p)
independientes, se cumple X + Y B(n1 + n2 , p).
A partir de este resultado es inmediato que una variable aleatoria X
B(n, p) puede descomponerse en una suma de n variables aleatorias independientes de Bernoulli de parametro p.
Distribuci
on Geom
etrica o de Pascal, Ge(p). Una variable aleatoria X
sigue distribucion Geometrica de parametro p (0, 1) y se denota X Ge(p)
si describe el n
umero de realizaciones independientes de un experimento necesarias hasta obtener el primer exito, siendo p la probabilidad de exito en
una realizacion del experimento (probabilidad de fracaso 1p). Puede tomar
como valor cualquier n
umero natural, {1, 2, . . .}.
Si k {1, 2, . . .}, se cumple
P (X = k) = (1 p)k1 p ;
E[X] =
1.1.2.

1
;
p

var[X] =

1p
.
p2

Otros modelos asociados al proceso de Bernoulli

Distribuci
on Binomial Negativa, BN(r, p). Una variable aleatoria X
sigue distribucion Binomial Negativa de parametros r N y p (0, 1) y se
denota X BN(r, p) si describe el n
umero de fracasos de un experimento
antes del r-esimo exito, siendo las realizaciones del experimento independientes y en cada una de ellas p la probabilidad de exito (probabilidad de
2

fracaso 1 p). Puede tomar cualquier valor entero mayor o igual que cero,
{0, 1, 2, . . .}.
Si k {0, 1, 2, . . .}, se cumple


r+k1 r
P (X = k) =
p (1 p)k ;
r1
E[X] =

r(1 p)
;
p

var[X] =

r(1 p)
.
p2

Distribuci
on Hipergeom
etrica, H(N, n, D/N ). Una variable aleatoria
X sigue distribucion Hipergeometrica de parametros N N, n N con
n N y D/N con D N, D N y se denota X H(N, n, D/N ) si
describe el n
umero de individuos que tienen una cierta caracterstica en n
observaciones sin reemplazamiento en una poblacion de N individuos de entre
los que D tienen la caracterstica (N D no tienen la caracterstica). Puede
tomar cualquier valor entero mayor o igual que max{0, n + D N } y menor
o igual que mn{n, D}.
Si max{0, n + D N } k mn{n, D}, se cumple




D N D
k

P (X = k) =
E[X] = n

1.2.

D
;
N

var[X] = n

nk


N
n

D N D N n

.
N
N
N 1

Proceso de Poisson

Distribuci
on de Poisson, P(). Una variable aleatoria X sigue distribucion de Poisson de parametro > 0 y se denota X P() si representa el
n
umero de eventos ocurridos independientemente y a velocidad constante o
con intensidad constante en un tiempo o region fija. Puede tomar cualquier
valor entero mayor o igual que cero, {0, 1, 2, . . .}.
Si k {0, 1, 2, . . .}, se cumple
k
e ;
k!
var[X] = .

P (X = k) =
E[X] = ;

Propiedad. Las distribuciones de Poisson son reproductivas, es decir, dadas X P(1 ) e Y P(2 ) independientes, se cumple X + Y P(1 + 2 ).
3

2.

Distribuciones continuas

Aquellas que estan asociadas a variables aleatorias continuas.

Distribuci
on Uniforme, U(a, b). Una variable aleatoria X sigue distribucion uniforme de parametros a < b y se denota X U(a, b) si toma valores
en el intervalo (a, b) seg
un la siguiente funcion de densidad,

 1
si x < a
0
si x (a, b)
xa
ba
si a x < b ;
fX (x) =
; FX (x) =
0
si x
/ (a, b)
ba
1
si x b
E[X] =

2.1.

a+b
;
2

var[X] =

(b a)2
.
12

Proceso de Poisson

Distribuci
on Exponencial, Exp(). Una variable aleatoria X sigue distribucion exponencial de parametro > 0 y se denota X Exp() si toma
valores positivos seg
un la siguiente funcion de densidad,
 x

e
si x > 0
0
si x < 0
fX (x) =
; FX (x) =
;
x
0
si x 0
1e
si x 0
E[X] =

1
;

var[X] =

1
.
2

Propiedad. Las distribucion exponencial no tiene memoria, es decir dada

X Exp() y t1 , t2 > 0,
P (X > t1 + t2 |X > t1 ) = P (X > t2 ).

2.2.

Distribuci
on Normal

Distribuci
on Normal, N(, ). Una variable aleatoria X sigue distribucion normal de media y desviacion tpica y se denota X N(, ) si
toma valores en toda la recta real, seg
un la siguiente funcion de densidad,
(x)2
1
fX (x) = e 22 .
2

No podemos dar de forma explcita ninguna primitiva de esta funcion, por

lo
R x tanto la funcion de distribucion solo podemos describirla como FX (x) =
f (t)dt.
X
E[X] = ; var[X] = 2 .
Llamamos normal tipificada o estandar a la normal de media 0 y desviacion tpica 1, N(0, 1).
Propiedad. Dados a, b R y X una variable aleatoria tal que X
N(, ), entonces la variable aleatoria aX + b sigue distribucion normal, mas
concretamente
aX + b N(a + b, |a|).
Utilizando esta propiedad podemos tipificar cualquier variable aleatoria normal, se cumple X
N(0, 1).

Propiedad. Si X N(0, 1) y FX es su funcion de distribucion, por la

simetra de la distribucion normal, se cumple que para cualquier x R,
FX (x) = 1 FX (x).
Propiedad. La suma de dos variables aleatorias normales independientes
sigue distribucion normal. As, si X N(1 , 1 ) e Y N(2 , 2 ) son independientes, entonces
q


2
2
X + Y N 1 + 2 , 1 + 2 .
Teorema Central del Lmite. Si X1 , X2 , . . . , Xn son n variables aleatorias independientes e identicamente
distribuidas con media
y desviacion
Pn
tpica , entonces,
entonces
X
se
aproxima
a
una
N(n,

n), equivai
i=1
Pn

lentemente i=1 Xi /n se aproxima a una N(, / n). La aproximacion es

buena si n 30.
5

Correcci
on por continuidad. Si aplicamos el Teorema Central del Lmite
a variables aleatorias discretas con valores enteros, mientras que X1 + X2 +
. . . + Xn es discreta (y toma valores enteros), la normal es continua. As,
para aproximar la probabilidad de X1 + X2 + . . . + Xn a donde a N,
calculamos FN(n,n) (a + 1/2).
Aproximaci
on Binomial-Normal. Si n 30 y np(1
p p) > 5, podemos
aproximar una binomial B(n, p) por una normal N(np, np(1 p)). Observa
que una binomial se puede construir como suma de variables de Bernoulli
independientes.
Aproximaci
on Poisson-Normal. La distribucion de Poisson surge como
lmite e la Binomail cuando el n
umero de experimentos tiende a infinito.
Por tanto,
si > 5, podemos aproximar una Poisson P() por una normal

N(, ).

2.3.

Distribuciones relacionadas con la normal

Distribuci
on 2 de Pearson, 2n . Si X1 , X2 , . . . , Xn son n variables aleatorias independientes con distribucion N(0, 1), entonces
Y = X12 + X22 + . . . + Xn2
sigue distribucion chi-cuadrado de Pearson con n grados de libertad, Y
2n . Una variable aleatoria con distribucion chi-cuadrado solo toma valores
positivos.
E[Y ] = n ; var[Y ] = 2n.
Distribuci
on t de Student, tn . Si X e Y son dos variables aleatorias
independientes, de tal modo que X sigue una distribucion normal estandar
e Y sigue distribucion chi-cuadrado con n grados de libertad, entonces
X
Z=p
Y /n
sigue distribucion t con n grados de libertad, Z tn . Una variable aleatoria
con distribucion t toma valores en toda la recta real.
n
E[X] = 0 ; var[X] =
si n 3.
n2
6

Distribuci
on F de Fisher-Snedecor, Fn1 ,n2 . Si X e Y son dos variables
aleatorias independientes, de tal modo que X sigue una distribucion chicuadrado con n1 grados de libertad e Y sigue distribucion chi-cuadrado con
n2 grados de libertad, entonces
Z=

X/n1
Y /n2

sigue distribucion F con n1 y n2 grados de libertad, Z Fn1 ,n2 . Una variable

aleatoria con distribucion F solo toma valores positivos.