08.

FUNCIONES DE DISTRIBUCIN
Principales leyes de distribci!n de "ariables aleat#rias. Atendiendo a la
clasificacin de las Variables Aleatorias en discretas y continuas describiremos las
principales leyes de probabilidad de cada una de ellas, las cuales constituirn el
soporte subyacente de la inferencia estadstica y a las que ser necesario hacer
referencia en el estudio de dicho bloque. Iniciamos este captulo con el estudio de las
distribuciones para Variables Aleatorias discretas.
DISTRIBUCIN UNIFOR$E
Una variable aleatoria X se dice que es uniforme en el intervalo a, b! si su funcin de
densidad es constante dentro de "l. #a distribucin uniforme modeli$a de al%&n modo
la incertidumbre ms completa sobre una variable aleatoria continua. 'iene especial
importancia en el mbito computacional, pues es a partir de ella que se pueden
reali$ar simulaciones de cualquier otra variable aleatoria. #a funcin de densidad de
la distribucin uniforme es
[ ] b , a x
a b
1
) x ( f

) b , a ( x
a b
a x
) x ( F

(u media y varian$a son, respectivamente,

2
) a b (
12
1
) x ( V
2
b a
) x ( E
+

#a distribucin uniforme es aquella que puede tomar cualquier valor dentro de un

intervalo, todos ellos con la misma probabilidad. )s una distribucin continua porque
puede tomar cualquier valor y no &nicamente un n&mero determinado *como ocurre
en las distribuciones discretas+.
E%e&pl#, el precio medio del litro de %asolina durante el pr,imo a-o se estima que
puede oscilar entre ./0 y .10 pesos. 2odra ser, por tanto, de ./3 pesos., o de ./3,/
pesos., o de ./3,/4 pesos., o de ./3,/44 pesos, etc. 5ay infinitas posibilidades, todas
ellas con la misma probabilidad.
(u funcin de densidad, aquella que nos permite conocer la probabilidad que tiene
cada punto del intervalo, viene definida por6
b a
1
) x ( f

7onde, b6 es el e,tremo superior *en el e8emplo, 9.10, y a6 es el e,tremo inferior *en

el e8emplo, ./0 pesos+. 2or lo tanto, la funcin de distribucin del e8emplo sera6
05 . 0
140 160
1
) x ( f

,
.
es decir, que el valor final est" entre ./0 pesos y ./. pesos tiene un 4: de
probabilidad, que est" entre ./. y ./;, otro 4:, etc.
)l valor medio de esta distribucin se calcula6 *a<b+=;
#a distribucin uniforme discreta es la que sur%e en situaciones tales como el
lan$amiento de una moneda, de un dado o en la e,traccin de una bola numerada de
un bombo de la lotera. )n todos estos casos, si no hay truco, e,iste equiprobabilidad
entre todos los sucesos elementales posibles6 dos en el caso de la moneda, seis en el
del dado y n en el caso del bombo de la lotera, siendo n el n&mero de bolas. #a
funcin de probabilidad viene dada por
) n ,..., 1 ( x 0 ) x ( f ) n ,..., 1 ( x
n
1
) x ( f
y la de distribucin por
[ ]
[ ] n , 1 x
n
x
) x ( F
siendo ,! la parte entera de ,. #a media y la varian$a de esta distribucin vienen
dadas por, respectivamente
12
1 n
) X ( V
2
n 1
) X ( E
2

#a funcin caracterstica es
+ a b * it
e e
d,
a b
.
e + t *
ita itb
b
a
it,
,

#os momentos son

.;
+ a b *
+ X * V
3
+ a b *
+ X * )
;
a b
+ X * )
; 3
;

;
DISTRIBUCIN DE BERNOU''I
#a distribucin de >ernoulli de parmetro p es el modelo ms simple de probabilidad.
(e aplica a situaciones en las que un cierto atributo aparece con probabilidad p y la
ausencia de este mismo atributo con probabilidad .?p, como en el lan$amiento de una
moneda o la presencia o no de cierta bacteria en una muestra biol%ica. )s en los
procesos de >ernoulli donde aparecen otras variables, como la binomial o la
%eom"trica. #as funciones de probabilidad y de distribucin son, respectivamente,
) 1 , 0 ( x P 1 ) x ( F ) x 1 )( P 1 ( Px ) x ( f +
#a media y la varian$a de la distribucin de >ernoulli son
) P 1 ( P ) x ( V P ) x ( E
@onsiste en reali$ar un e,perimento aleatorio una sola ve$ y observar si cierto suceso
ocurre o no, siendo p la probabilidad de que esto sea as *",ito+ y qA.?p el que no lo
sea *fracaso+. )n realidad no se trata ms que de una variable dicotmica, es decir que
&nicamente puede tomar dos modalidades, es por ello que el hecho de llamar ",ito o
fracaso a los posibles resultados de las pruebas obedece ms una tradicin literaria o
histrica, en el estudio de las variable aleatoria, que a la situacin real que pueda
derivarse del resultado.
2odramos por tanto definir este e,perimento mediante una variable aleatoria discreta
X que toma los valores XA0 si el suceso no ocurre, y XA. en caso contrario, y que se
denota

'

p + . X * 2 si .
p . q + 0 X * 2 si 0
+ p * > X
E%e&pl#, Un e8emplo tpico de este tipo de variables aleatorias consiste en lan$ar una
moneda al aire y considerar la variable aleatoria XA*B&mero de caras obtenidas+, en
cuyo caso XA0 si qA.=;, y XA. si pA.=;
2ara una variable aleatoria de >ernouilli, tenemos que sus funciones de probabilidad
y de distribucin son,
3

'

<
<

'

. , si .
. , 0 si q
0 , si 0
+ , * C
caso otro 0
. , si p
0 , si q
+ , * f
(u funcin caracterstica y momentos son,

+
. , 0 ,
it
i
it,
,
i
i
e p q + , * f e + t *
q p + X * V p + X * )
DISTRIBUCIN BINO$I('
#a distribucin binomial aparece de forma natural al reali$ar n repeticiones
independientes de cierto e,perimento cuyo resultado consiste en la presencia, con
probabilidad p, de cierto atributo A. #a probabilidad p permanece constante durante
todo el proceso muestral. (i Xi es la variable asociada a la i?"sima r"plica, que tomar
el valor . si se verifica A, y 0 en caso contrario, la variable

n
1 i
i
X S
que representa el n&mero de veces que aconteci A, tiene una distribucin binomial
de parmetros n y p, lo que se suele indicar como >*n, p+, de forma que
r n r
) P 1 ( P
r
n
) r S ( P ) r ( f

,
_

siendo su funcin de probabilidad acumulada
k n k
n
0 k
) P 1 ( P
r
n
) r S ( P ) r ( F

,
_

#a media y la varian$a de ( son )(! A nDp y V(! A nDpD*.?p+, respectivamente.
#a distribucin binomial parte de la distribucin de >ernoulli. #a distribucin de
>ernoulli se aplica cuando se reali$a una sola ve$ un e,perimento que tiene
&nicamente dos posibles resultados *",ito o fracaso+, por lo que la variable slo puede
tomar dos valores6 el . y el 0. #a distribucin >inomial se aplica cuando se reali$an
/
un n&mero n de veces el e,perimento de >ernoulli, siendo cada ensayo independiente
del anterior. #a variable puede tomar valores entre 0 si todos los e,perimentos han
sido fracaso, hasta n si todos los e,perimentos han sido ",itos
E%e&pl#, se tira una moneda .0 veces6 Ecuantas caras salenF (i no ha salido nin%una
la variable toma el valor 0G si han salido dos caras la variable toma el valor ;G si todas
han sido cara la variable toma el valor .0. #a distribucin de probabilidad de este tipo
de distribucin si%ue el si%uiente modelo,
1 Q P Q P
)! k n ( ! k
! n
) x X ( P
k n k
+

E%e&pl#, E@ul es la probabilidad de obtener 1 caras al lan$ar una moneda .0
vecesF. H es el n&mero de aciertos. )n este e8emplo H i%ual a 1 *en cada acierto
decamos que la variable toma el valor .6 como son 1 aciertos, entonces HA1+, n es el
n&mero de ensayos. )n nuestro e8emplo son .0, 2 es la probabilidad de ",ito, es
decir, que sal%a cara al lan$ar la moneda. 2or lo tanto 2A0,4. )ntonces,
205 . 0 5 . 0 5 . 0
)! 6 10 ( ! 6
! 10
) 6 X ( P
6 10 6

#ue%o, 2*,A1+ A 0,;04, es decir, se tiene una probabilidad del ;0,4: de obtener 1
caras al lan$ar .0 veces una moneda.
E%e&pl#, E@ul es la probabilidad de obtener cuatro veces el n&mero 3 al lan$ar un
dado ocho vecesF, siendo H *n&mero de aciertos+ toma un valor de /, y n toma el
valor I
#a probabilidad de que sal%a un 3 al tirar el dado es .=1, entonces,
026 . 0 ) 166 . 0 1 ( 166 . 0
! 4 ! 4
! 8
) 4 X ( P
4 4

#ue%o, 2*,A/+A0,0;1, es decir, se tiene una probabilidad del ;,1: de obtener cuatro
veces el n&meros 3 al tirar un dado I veces.
(upon%amos que reali$amos n pruebas de >ernouilli, Xi, donde en todas ellas, la
probabilidad de ",ito es la misma *p+, y queremos calcular el n&mero de ",itos, X,
obtenidos el total de las n pruebas.
4
n ,..., . , 0 , + p . * p
,
n
+ , X * 2 + , * f
, n ,

,
_

)l modo ms simple de calcular la funcin caracterstica nos lo da el teorema que
afirma que la funcin caracterstica de la suma de variables independientes es el
producto de las funciones caractersticas de estas6
n it
, , , ,
+ pe q * + t *
n ; .
+ + + +
#os principales momentos de X los calculamos ms fcilmente la funcin
caracterstica,
npq
i
+ t *
+ X * ) + X * ) + X * V
np + q p * np
i
+ t *
+ X * )
0 t
;
, ; ;
. n
0 t
,

E%e&pl#) Un m"dico aplica un test a .0 alumnos de un cole%io para detectar una

enfermedad cuya incidencia sobre una poblacin de ni-os es del .0:. #a sensibilidad
del test es del I0: y la especificidad del mismo es del J4:. E@ual es la probabilidad
de que e,actamente a cuatro personas le de un resultado positivoF (i en la muestra
hay cuatro personas a las que el test le da positivo, Ecul es la probabilidad de que
entre estas, e,actamente dos est"n sanasF @alcular la probabilidad de que el test
suministre un resultado incorrecto para dos personas. @alcular la probabilidad de que
el resultado sea correcto para ms de J personas.
(olucin6 #os datos de que disponemos son6 2*)+A0..0, 2*'
<
=)+A0.I0, y
2*'
?
=)+A0.J4, donde ), '<, y '? tienen el sentido que es obvio. (i queremos saber a
cuantas personas el test le dar un resultado positivo, tendremos que calcular 2*'
<
+,
para lo que podemos usar el teorema de la probabilidad total *estar enfermo y no
estarlo forman una coleccin e,haustiva y e,cluyente de sucesos+6
2*'
<
+A2*'
<
=)+D2*)+<2*'
<
=)
?
+D2*)
?
+A0.I0D0..0<0.;4D0.K0A0.304
(ea X
.
la variable aleatoria que contabili$a el n&mero de resultados positivos. )s
claro que llamando p
.
A2*'
<
+, se tiene que X si%ue una distribucin binomial
1
;0/I . 0 1K4 . 0 D 304 . 0 D
/
.0
q p
,
.0
+ , X * 2 + 304 . 0 , .0 * > X
1 / , .0
.
,
. . .

,
_

,
_

Ahora bien, si queremos calcular a cuntas personas les dar el test positivo aunque
est"n sanas, hemos de calcular previamente 2*)
?
='
<
+
[ ]
J3JJ . 0
+ ' * 2
+ ) * 2 D + ) = ' * 2 .
+ ' * 2
+ ' ) * 2
+ ' = ) * 2

+

+
+
+
DISTRIBUCIN POISSON
#a distribucin de 2oisson parte de la distribucin binomial, cuando en una
distribucin binomial se reali$a el e,perimento un n&mero n muy elevado de veces y
la probabilidad de ",ito p en cada ensayo es reducida, entonces se aplica el modelo de
distribucin de 2oisson, se tiene que cumplir que
! k
e ) k X ( P
k

AnD2, es decir, el n&mero de veces n que se reali$a el e,perimento multiplicado por
la probabilidad 2 de ",ito en cada ensayo, H es el n&mero de ",ito cuya probabilidad
se est calculando
E%e&pl#, #a probabilidad de tener un accidente de trfico es de 0,0; cada ve$ que se
via8a, si se reali$an 300 via8es, Ecual es la probabilidad de tener 3 accidentesF
@omo la probabilidad 2 es menor que 0,., y el producto nD2 es menor que .0,
entonces aplicamos el modelo de distribucin de 2oisson,
0892 . 0
! 3
6
e ) 3 X ( P
3
6


J
2or tanto, la probabilidad de tener 3 accidentes de trfico en 300 via8es es del I,K:
E%e&pl#, #a probabilidad de que un ni-o na$ca pelirro8o es de 0,0.;. E@ul es la
probabilidad de que entre I00 reci"n nacidos haya 4 pelirro8osF
602 . 4
! 5
6 . 9
e ) 5 X ( P
5
6 . 9


2or tanto, la probabilidad de que haya 4 pelirro8os entre I00 reci"n nacidos es del
/,1:
)sta distribucin aparece en al%unos procesos que tienen una dimensin temporal o
espacial, como el n&mero de llamadas telefnicas que recibe un servicio de atencin a
ur%encias durante un intervalo de tiempo determinado, o el n&mero de cultivos
infectados por una pla%a en una cierta re%in %eo%rfica. #as funciones de
probabilidad y de distribucin de una variable aleatoria de 2oisson con media mL0,
que simplificamos con la notacin 2*m+, son

r
0 k
k m r 3
! k
m e
) r X ( P ) r ( F
! r
m e
) r X ( P ) r ( f

#a media y varian$a de X son ambas i%uales a m, )X! A VX! A m.
DISTRIBUCIN *IPER+EO$,TRIC(
#a distribucin hiper%eom"trica es el modelo que se aplica en e,perimentos del
si%uiente tipo6 )n una urna hay bolas de dos colores *blancas y ne%ras+, Ecul es la
probabilidad de que al sacar ; bolas las dos sean blancasF
(on e,perimentos donde, al i%ual que en la distribucin binomial, en cada ensayo hay
tan slo dos posibles resultados6 o sale blanca o no sale. 2ero se diferencia de la
distribucin binomial en que los distintos ensayos son dependientes entre s. (i en una
urna con 4 bolas blancas y 3 ne%ras en un primer ensayo saco una bola blanca, en el
se%undo ensayo hay una bola blanca menos por lo que las probabilidades son
diferentes *hay dependencia entre los distintos ensayos+. #a distribucin
hiper%eom"trica si%ue el si%uiente modelo,
)! n !!( n
!
)! k n )!!( k n (
!
)! k !!( k
!
n

k n

) x X ( "
2
2
1
1
2 1

,
_

,
_

,
_

I
7onde, para el e8emplo, B es el n&mero total de bolas en la urna, B.6 es el n&mero
total de bolas blancas, B; es el n&mero total de bolas ne%ras, H es el n&mero de bolas
blancas cuya probabilidad se est calculando, n es el n&mero de ensayos que se
reali$a
E%e&pl#, en una urna hay J bolas blancas y 4 ne%ras. (e sacan / bolas E@ul es la
probabilidad de que 3 sean blancasF
B A .;G B. A JG B; A 4G H A 3G n A /, entonces,
354 . 0
4
12
1
5
3
#
) 3 X ( P

,
_

,
_

,
_

)s decir, la probabilidad de sacar 3 bolas blancas es del 34,3:.
E%e&pl#, en una fiesta hay ;0 personas6 ./ casadas y 1 solteras. (e eli%en 3 personas
al a$ar E@ul es la probabilidad de que las 3 sean solterasF
01#5 . 0
3
20
0
14
3
#
) 3 X ( P

,
_

,
_

,
_

)s decir, la probabilidad de que las 3 personas sean solteras es tan slo del .,J4:.
)sta distribucin suele aparecer en procesos mu"strales sin reempla$o, en los que se
investi%a la presencia o ausencia de cierta caracterstica. 2i"nsese en un
procedimiento de control de calidad en una empresa farmac"utica, durante el cual se
e,traen muestras de las cpsulas fabricadas y se someten a anlisis para determinar su
composicin. 7urante las pruebas, las cpsulas son destruidas y no pueden ser
devueltas al lote del que provienen. (i B. es el n&mero de cpsulas defectuosas en el
lote y B; el de aqu"llas dentro de las tolerancias establecidas, tomada una muestra al
a$ar de tama-o n, la cantidad de unidades observadas no vlidas, r, tiene una
distribucin hiper%eom"trica 5M*B., B;, n+, cuya funcin de probabilidad es
) n , min( r ) n , 0 max(
n

r n

) r X ( P ) r ( f
1 2
2 1
2 1

,
_

,
_

,
_

K
siendo su funcin de distribucin

,
_

,
_

,
_

r
0 k
2 1
2 1
n

r n

) r X ( P ) r ( F
#a media y la varian$a de esta distribucin son
) 1 ( ) (
) n ( n
) X ( V
2 1
1 n
) X ( E
2 1
2
2 1
2 1 2 1
+ +
+

@uando el tama-o de la poblacin *B+ es muy %rande, la ley hiper%eom"trica tiende a

apro,imarse a la binomial6
DISTRIBUCIN $U'TINO$I('
#a distribucin multinomial es similar a la distribucin binomial, con la diferencia de
que en lu%ar de dos posibles resultados en cada ensayo, puede haber m&ltiples
resultados
E%e&pl# de distribucin binomial6 a unas elecciones se presentaron ; partidos
polticos6 el #A#A obtuvo un J0: de los votos y el N)N) el 30: restante. E@ul es la
probabilidad de que al ele%ir 4 ciudadanos al a$ar, / de ellos hayan votado al N)N)F
E%e&pl# de distribucin multinomial, a esas elecciones se presentaron / partidos
polticos6 el #A#A obtuvo un /0: de los votos, el N)N) el 30:, el OUOU el ;0: y
el #A#A el .0: restante. E@ul es la probabilidad de que al ele%ir 4 ciudadanos al
a$ar, 3 hayan votado al #A#A, . al OUOU y . al #A#AF
#a distribucin multinomial si%ue el si%uiente modelo,
k x
x
k
x
1
k 1
k k 1 1
P P
x x
! n
) x X , , x X ( P

7onde XH A ,H indica que el suceso XH apare$ca ,H veces *en el e8emplo, que el

partido #A#A lo hayan votado 3 personas+, n indica el n&mero de veces que se ha
repetido el suceso *en el e8emplo, 4 veces+, nP es factorial de n *en el e8emplo,
4D/D3D;D.+, y 2H es la probabilidad del suceso XH *en el e8emplo, el /0:+
E%e&pl#, )n una fiesta, el ;0: de los asistentes son espa-oles, el 30: franceses, el
/0: italiano y el .0: portu%ueses. )n un peque-o %rupo se han reunido / invitados6
Ecual es la probabilidad de que ; sean espa-oles y ; italianosF
.0
0384 . 0 1 . 0 4 . 0 3 . 0 2 . 0
! 0 ! 2 ! 0 ! 2
! 4
) 0 X , 2 X , 0 X , 2 X ( P
0 2 0 2
4 3 2 1



#ue%o, la probabilidad de que el %rupo est" formado por personas de estos pases es
tan slo del 3,I/:
DISTRIBUCIN $U'TI-(RI(D(
#a distribucin multihiper%eom"trica es similar a la distribucin hiper%eom"trica, con
la diferencia de que en la urna, en lu%ar de haber &nicamente bolas de dos colores,
hay bolas de diferentes colores.
E%e&pl#, en una urna hay J bolas blancas, 3 verdes y / amarillas6 Ecul es la
probabilidad de que al e,traer 3 bolas sea cada una de un color distintoF

,
_

,
_

,
_

) x X , x X ( P
4
4
1
1
k k 1 1

7onde X
.
A ,.6 indica que el suceso X
.
apare$ca ,
.
veces *en el e8emplo, que una de
las bolas sea blanca+, B
.
indica el n&mero de bolas blancas que hay en la urna *en el
e8emplo, J bolas+, B es el n&mero total de bolas en la urna *en el e8emplo, ./ bolas+, n
es el n&mero total de bolas que se e,traen *en el e8emplo, 3 bolas+
)ntonces,
230# . 0
3
14
1
4
1
3
1
#
) 1 X , 1 X , 1 X ( P
3 2 1

,
_

,
_

,
_

,
_

)s decir, que la probabilidad de sacar una bola de cada color es del ;3,0J:.
DISTRIBUCIN +($$(
#a distribucin %amma de parmetros a y b es verstil como pocas, ya que otras
distribuciones importantes son casos particulares de "staG as, cuando a A ., se reduce
a la e,ponencial y cuando a A n=; y b A ;, obtenemos la @hi?cuadrado de 2earson con
n %rados de libertad.
7esde el punto de vista de las aplicaciones suele utili$arse para modelar variables
aleatorias acotadas por un e,tremoG tal es el caso del tiempo requerido para que se
..
produ$can e,actamente a sucesos independientes, si estos ocurren con una frecuencia
constante. #as funciones de densidad y de probabilidad acumulada son
0 x , $% e %
) a (
1
) x ( F e x
) a ( b
1
) x ( f
b & x
0
% 1 a
b
x
1 a
a
>

respectivamente, siendo
$x e x ) P (
0
x 1 P

la funcin %amma de )uler
#a media viene dada por )*X+Aab y la varian$a por V*X+Aab;.
DISTRIBUCIN E.PONENCI('
Una variable aleatoria X tiene distribucin e,ponencial de parmetro a L 0 si sus
funciones de densidad y de distribucin acumulada son,
0 , a . + , * C ae + , * f
a, a,


#a interpretacin del parmetro a es sencilla, pues coincide con la inversa de la
esperan$a de la variable aleatoria X. 7entro del conte,to del anlisis de
supervivencia, cuando X se interpreta como el tiempo necesario para que se produ$ca
el fallo de un componente de una mquina, o el tiempo que transcurre hasta la muerte
de un or%anismo biol%ico, tiene especial importancia la funcin
(*,+ A 2r*X L ,+ A . ? C*,+ A e,p*?a ,+
que recibe el nombre de funcin de supervivencia y que es la probabilidad de que el
individuo no falle$ca antes del instante ,. #a media y la varian$a de la distribucin
e,ponencial son
2
a
1
) X ( V
a
1
) X ( E
2ara calcular el valor esperado y la varian$a de la distribucin e,ponencial,
obtenemos en primer lu%ar la funcin caracterstica
;
;
; ; ;
, ;
3
;
,
,
;
,
0
, + a it *
0
a, it,
,
a
.
a
.
a
;
+ X * V
a
;
i
+ 0 *
+ X * )
+ a it *
ai ;
+ t *
a
.
i
+ 0 *
+ X * )
+ a it *
ai
+ t *
a it
a
e
a it
a
d, ae e + t *

,
_

#a distribucin e,ponencial es el equivalente continuo de la distribucin %eom"trica

discreta. )sta ley de distribucin describe procesos en los que6
.;
Bos interesa saber el tiempo hasta que ocurre determinado evento, sabiendo que,
el tiempo que pueda ocurrir desde cualquier instante dado t, hasta que ello ocurra en
un instante t
f
, no depende del tiempo transcurrido anteriormente en el que no ha
pasado nada.
Aplicaciones, )l tiempo que tarda una partcula radiactiva en desinte%rarse. )l
conocimiento de la ley que si%ue este evento se utili$a en @iencia para, por e8emplo,
la datacin de fsiles o cualquier materia or%nica mediante la t"cnica del carbono
./, @./G )l tiempo que puede transcurrir en un servicio de ur%encias, para la lle%ada
de un pacienteG )n un proceso de 2oisson donde se repite sucesivamente un
e,perimento a intervalos de tiempo i%uales, el tiempo que transcurre entre la
ocurrencia de dos sucesos consecutivos si%ue un modelo probabilstico e,ponencial.
E%e&pl#, )n un e,perimento de laboratorio se utili$an .0 %ramos de 2olonio
radiactivo. (abiendo que la duracin media de un tomo de esta materia es de ./0
das, @untos idas transcurrirn hasta que haya desaparecido el K0: del materialF
(olucin6 )l tiempo ' de desinte%racin de un tomo de
o
;.0
I/
2 es una variable
aleatoria de distribucin e,ponencial, @omo el n&mero de tomos e,istentes en una
muestra de .0 %ramos es enorme, el histo%rama de frecuencias relativas formado por
los tiempos de desinte%racin de cada uno de estos tomos debe ser e,tremadamente
apro,imado a la curva de densidad, f. 7el mismo modo, el pol%ono de frecuencias
relativas acumuladas debe ser muy apro,imado a la curva de su funcin de
distribucin C. )ntonces el tiempo que transcurre hasta que el K0: del material
radiactivo se desinte%ra es el percentil K0, t
K0
, de la distribucin e,ponencial, es decir
das 3;; .0 . 0 #n
a
.
t , entonces , K0 . 0 . e K0 . 0 + t * C
K0
at
K0
K0


.3
E%e&pl#, (e ha comprobado que el tiempo de vida de cierto tipo de marcapasos si%ue
una distribucin e,ponencial con media de .1 a-os. E@ul es la probabilidad de que a
una persona a la que se le ha implantado este marcapasos se le deba reimplantar otro
antes de ;0 a-osF (i el marcapasos lleva funcionando correctamente 4 a-os en un
paciente,
(olucin6 (ea ' la variable aleatoria que mide la duracin de un marcapasos en una
persona.

;0
0
.1 = ;0
J.34 . 0 e . dt + t * f + ;0 ' * 2
DISTRIBUCIN BET(
#a distribucin beta de parmetros a y b, ambos estrictamente positivos, tiene como
soporte el intervalo *0,.+, por lo que suele utili$arse en la modeli$acin de datos que
se encuentren dentro de este ran%o. #a funcin de densidad es
) 1 , 0 ( x ) x 1 ( x
) b , a (
1
) x ( f
1 b 1 a

y la de distribucin
1 x 1 ) x ( F
) 1 , 0 ( x $% ) % 1 ( %
) b , a (
1
) X ( F
0 x , 0 ) x ( F
1 b
x
0
1 a

(iendo la funcin >eta de )uler. #a media y la varian$a de esta distribucin son,

respectivamente,
) 1 b a ( ) b a (
ab
) X ( V '
b a
a
) X ( E
2
+ + +

DISTRIBUCIN DE /EIBU''
#a variable aleatoria X tiene distribucin de Qeibull de parmetros a L 0 y b L 0 si su
funcin de densidad es
( )
0 x e
b
x
b
a
) x ( f
a
b & x
1 a

,
_

#a funcin de distribucin, o de probabilidad acumulada, es

( ) 0 x e 1 x X P ) x ( F
a
) b & x (


./
I%ual que en el caso de la distribucin e,ponencial, la de Qeibull se suele utili$ar
como modelo param"trico en problemas de anlisis de supervivencia. )n este mbito,
es de inter"s la probabilidad de que se presente el fallo o muerte despu"s de
transcurrido un tiempo ,G de ah que se defina la funcin de supervivencia
( ) 0 e ) x ( F 1 x X P ) x ( S
a
) b & x (
< >

2or &ltimo, la esperan$a y la varian$a de esta distribucin son, respectivamente,
1
]
1

,
_

+
,
_

+
,
_

+ 1
a
1
( 1
a
2
( b ) X ( V ' 1
a
1
b( ) X ( E
2
donde siendo
$x e x ) P (
0
x 1 P

la funcin %amma de )uler con 2L0.
DISTRIBUCIN DE R(0'EI+*
#a distribucin de Raylei%h de parmetro a L 0, es un caso particular de la de
Qeibull, estando su uso muy e,tendido en el conte,to del anlisis de datos
censurados. #a funcin de densidad es
0 x 0 ) X ( F
0 x e 1 ) X ( F
0 x 0 ) x ( f
0 x xe a 2 ) x ( f
2 2
2 2
x a
x a 2

>

>

#a media y la varian$a de esta distribucin son, respectivamente,

1
]
1

,
_

+
,
_

,
_

4
)
1
a
1
b ) X ( V '
a 2
)
) X ( E
2
DISTRIBUCIN DE +U$BE'
#a distribucin de Mumbel, o del valor e,tremo, de parmetros
0 b , a >
se
utili$a en el anlisis de la distribucin asinttica de los e,tremos mu"strales, con
aplicaciones concretas en la prediccin de catstrofes naturales y en el dise-o de
estructuras de in%eniera civil que van a estar sometidas a condiciones climatol%icas
e,tremas. (u funcin de densidad es
.4

,
_

,
_

,
_

,
_

x
b
x a
ex" ex" ) X ( F
x
b
x a
ex"
b
x a
ex"
a
1
) x ( f
donde es la constante de )uler ? Oascheroni, cuyo valor es apro,imadamente
0.4JJ;.411/K... Cinalmente, la media y la varian$a de esta distribucin viene dada
por la e,presin
6
) b
) X ( V ' * b a ) X ( E
2 2
+
DISTRIBUCIN 'O+1STIC(
#a distribucin lo%stica de parmetros a pertenece a los reales y bL0 se ha lle%ado a
utili$ar como sustituta de la normal, debido a su forma acampanada y de ms fcil
mane8o. Os frecuente es su uso en la modeli$acin de respuestas aleatorias binarias,
como en la re%resin lo%stica. #a funcin de densidad lo%stica toma la forma

,
_

,
_

,
_

,
_

,
_

x
b
a x
ex" 1
1
) x ( F
x
b
a x
ex" 1 b
b
a x
ex"
) x ( f
2or &ltimo, sus momentos son )*X+Aa y
3
) b
) X ( V
2 2

DISTRIBUCIN DE P(RETO
#a distribucin de 2areto de parmetros aL0 y bL0, es tal que al%unos de sus
momentos e,isten cuando a supera cierta cota. 'iene aplicaciones en las ciencias
medioambientales y en la estadstica industrial. (u funcin de densidad es
b x 0 ) x ( f
b x x ab ) x ( f
1 a a

>

en la que se notar que toma valores no nulos para
+ , b * ,
. #a funcin de
distribucin toma la forma
.1
b x 0 ) x ( F
b x
x
b
1 ) x ( F
a

>
,
_

#a esperan$a y la varian$a de la distribucin de 2areto son
2 a +i
) 1 a )( 2 a (
ab
) X ( V ' 1 a +i
1 a
ab
) X ( E
2
2
>

>

DISTRIBUCIN DE '(P'(CE
#a distribucin de #aplace de parmetros a pertenece a los reales y bL0 se utili$a en
ocasiones para modelar errores en observaciones de tipo real, de forma similar a
como se hace con la distribucin normal. #a funcin de densidad es

,
_

,
_

,
_

b
x a
ex"
2
1
1 ) x ( F '
b
a x
ex"
2
1
) x ( F
x
b
a x
ex"
b 2
1
) x ( f
(i , es menor o i%ual, o a es mayor, respectivamente, que a. (u media es )X!Aa y su
varian$a VX!A;b
;
.
DISTRIBUCIN DE C(UC*0
#a distribucin de @auchy, o de #orent$, de parmetros a pertenece a los reales y bL0
es de uso frecuente en fsica para describir el patrn de impactos de partculas sobre
una recta. 'ambi"n es de inter"s terico por ser una distribucin que carece de
momentos. (us funciones de densidad y de distribucin son
[ ]

,
_

+
+
x
b
a x
ar,-an
1
2
1
) x ( F
b ) a x (
b
) x ( f
2 2


@omo queda dicho ms arriba, la distribucin de @auchy no tiene ni media ni
varian$a.
DISTRIBUCIN +EO$,TRIC(
)n una secuencia de e,perimentos binarios independientes *A se observa con
probabilidad 2 y de8a de observarse con probabilidad .?2+, el n&mero de r"plicas
antes de la primera observacin de A tiene una distribucin %eom"trica o de 2ascal,
M*2+. 2ara cada n&mero natural r, la funcin de probabilidad se define como
.J
r
) P 1 ( P ) r ( f
siendo su funcin de distribucin
1 r
) P 1 ( 1 ) r ( F
+

#a media y varian$a de la distribucin %eom"trica son
2
P
P 1
) X ( V 1
P
1
) X ( E


Respectivamente.
7e hecho, se trata de un caso especial de la distribucin binomial ne%ativa tomando
nA..
%eom"trica * o de fracasos+
DISTRIBUCIN ER'(N+
#a funcin de densidad de probabilidad,
f x x x x ( . , )
( )
ex"( & ),

>

1
0
1

en donde

es un entero positivo. #a variable aleatoria de )rlan% es la suma de

variables independientes distribuidas e,ponencialmente, en donde cada valor se
%enera por
x /n
%

_
,

1
]
1

1
1
1&
.I