Estadstica I: Resumen de familias parametricas

Semestre 2013-I
Prof: Act. Jaime Vazquez Alamilla Ayudte: Eduardo Selim Martnez-Mayorga
1. Uniforme discreta
Denici on: Se dice que X variable aleatoria discreta tiene distribucion uniforme discreta en el
conjunto {1, 2, . . . , N}, se denota X Unif(N), si su funcion de densidad esta dada por
f
X
(x) = P(X = x) =
1
N
I
{1,2,...,N}
(x)
PROPOSICI

ON: Si X Unif(N), entonces:

(a) f
X
es efectivamente funcion de densidad
(b) E(X) =
N+1
2
(c) E(X
2
) =
(N+1)(2N+1)
6
(d) V ar(X) =
N
2
1
12
2. Bernoulli
Denici on: Se dice que X variable aleatoria discreta tiene distribucion Bernoulli con parametro
p (0, 1), se denota X Bnlli(p) o X Ber(p) o X Bernoulli(p), si su funcion de densidad de
probabilidad esta dada por
f
X
(x) = P(X = x) =
_

_
1 p si x = 0
p si x = 1
0 e.o.c
= p
x
(1 p)
1x
I
{0,1}
(x)
PROPOSICI

ON: Si X Bnlli(p), entonces:

(a) f
X
es efectivamente funcion de densidad
(b) n N
+
E(X
n
) = p. En particular E(X) = E(X
2
) = p
(c) V ar(X) = p(1 p)
(d) m
X
(t) = e
t
p + (1 p)
3. Binomial
Supongase que se tienen n ensayos Bernoulli independientes cada uno con la misma probabilidad
de exito p (0, 1). Sea X el n umero de exitos en n ensayos Bernoulli independientes. Notese que
P(X = x) =
_
n
x
_
p
x
(1 p)
nx
Denicion: Se dice que X variable aleatoria discreta tiene distribucion binomial con parametros
n N
+
y p (0, 1), se denota X Bin(n, p), si su funcion de densidad de probabilidad esta dada
por
f
X
(x) = P(X = x) =
_
n
x
_
p
x
(1 p)
nx
I
{0,1,2,...,n}
(x)
(se puede siempre fracasar o siempre tener exito)
PROPOSICI

ON: Si X Bin(n, p), entonces:

(a) f
X
es efectivamente funcion de densidad
(b) m
X
(t) =
_
e
t
p + (1 p)
_
n
(c) E(X) = np
(d) E(X
2
) = n
2
p
2
np
2
+np
(e) V ar(X) = np(1 p)
PROPOSICI

ON: f
X
(x) =
_
n
x
_
p
x
(1 p)
nx
es creciente si x < (n + 1)p y es decreciente si
x > (n + 1)p.
4. Poisson
Denici on: Se dice que X variable aleatoria discreta tiene distribucion Poisson con parametro
> 0, se denota X Poisson(), si su funcion de densidad de probabilidad esta dada por
f
X
(x) = P(X = x) =
e

x
x!
I
{0,1,2,...}
(x)
PROPOSICI

ON: Si X Poisson(), entonces:

(a) f
X
es efectivamente funcion de densidad
(b) m
X
(t) = e
(1e
t
)
(c) E(X) =
(d) E(X
2
) = ( + 1)
(e) V ar(X) =
PROPOSICI

ON (Relacion entre la binomial y la Poisson): Considerese una variable aleato-

ria X tal que X Bin(n, p). Sea = np. Si n , entonces X Poisson()
2
5. Geometrica
Supongase que se tiene una sucesi on innita de ensayos Bernoulli independientes, en donde la
probabilidad de exito de todos ellos es igual a p (0, 1). Sea X el n umero de fracasos antes del
primer exito. Entonces P(X = x) = (1 p)
x
p.
Denicion: Se dice que X variable aleatoria discreta tiene distribucion geometrica con parametro
p (0, 1), se denota X Geo(p), si su funcion de densidad de probabilidad esta dada por
f
X
(x) = P(X = x) = (1 p)
x
pI
{0,1,2,...}
(x)
PROPOSICI

ON: Si X Geo(p), entonces:

(a) f
X
es efectivamente funcion de densidad
(b) m
X
(t) =
p
1(1p)e
t
(c) E(X) =
1p
p
(d) E(X
2
) =
1p
p
+
2(1p)
2
p
2
(e) V ar(X) =
1p
p
2
6. Binomial Negativa
Supongase que se tiene una sucesi on innita de ensayos Bernoulli independientes, en donde la
probabilidad de exito de todos ellos es igual a p (0, 1). Sea X el n umero de fracasos antes del
r-esimo exito exito. Entonces P(X = x) = (1 p)
x
p
r
.
Denicion: Se dice que X variable aleatoria discreta tiene distribucion binomial negativa con
parametros r N y p (0, 1), se denota X BinNeg(r, p), si su funcion de densidad de probabilidad
esta dada por
f
X
(x) = P(X = x) =
_
r +x 1
x
_
p
r
(1 p)
x
I
{0,1,2,...}
(x)
PROPOSICI

ON: Si X BinNeg(r, p), entonces:

(a) f
X
es efectivamente funcion de densidad
(b) m
X
(t) =
_
p
1(1p)e
t
_
r
(c) E(X) =
r(1p)
p
(d) V ar(X) =
r(1p)
p
2
7. Hipergeometrica
Denici on: Se dice que X variable aleatoria discreta tiene distribucion hipergeometrica con
parametros n, N, r N, se denota X HiperGeo(n, N, r), si su funcion de densidad de probabilidad
esta dada por
f
X
(x) = P(X = x) =
_
r
x
__
Nr
nx
_
_
N
n
_ I
{0,1,...,min{n,r}}
(x)
PROPOSICI

ON: Si X HiperGeo(n, N, r), entonces:

3
(a) f
X
es efectivamente funcion de densidad
(b) E(X) =
rn
N
(b) E(X
2
) =
rn
N
_
(n1)(r1)
N1
+ 1
_
(c) V ar(X) =
rn
N
_
(n1)(r1)
N1
+ 1
rn
N
_
8. Logartmica
Denici on: Se dice que X variable aleatoria discreta tiene distribucion logartmica con parametro
p (0, 1), se denota X Lg(p), si su funcion de densidad de probabilidad esta dada por
f
X
(x) = P(X = x) =
1
log(1 p)
p
x
x
I
{1,2,...}
(x)
PROPOSICI

ON: Si X Lg(p), entonces:

(a) f
X
es efectivamente funcion de densidad
(b) m
X
(t) =
log(1pe
t
)
log(1p)
(c) E(X) =
ap
log(1p)
, donde a :=
1
log(1p)
(d) V ar(X) =
ap(1ap)
(1p)
2
=
_
1
1p

_
, donde = E(X)
9. Uniforme continua
Denici on: Se dice que X variable aleatoria continua tiene distribucion uniforme continua en
el intervalo (a, b), se denota X Unif(a, b), si su funcion de densidad de probabilidad esta dada
por
f
X
(x) =
1
b a
I
(a,b)
(x)
PROPOSICI

ON: Si X Unif(a, b), entonces:

(a) f
X
es efectivamente funcion de densidad
(b) m
X
(t) =
1
t(ba)
(e
bt
e
at
)
(c) E(X) =
a+b
2
(d) E
2
(X) =
a
2
+ab+b
2
3
(e) V ar(X) =
(ba)
2
12
4
10. Exponencial
Denici on: Se dice que X variable aleatoria continua tiene distribucion exponencial con parametro
R
+
, se denota X exp(), si su funcion de densidad de probabilidad esta dada por
f
X
(x) = e
x
I
(0,)
(x)
PROPOSICI

ON: Si X exp(), entonces:

(a) f
X
es efectivamente funcion de densidad
(b) m
X
(t) =

t
, t <
(c) E(X) =
1

(d) E(X
2
) =
+1

2
(e) V ar(X) =
1

2
11. Distribuci on Gamma
Se dene la funcion gamma, (), de la siguiente manera
(t) =
_

0
x
t1
e
x
dx
La funcion gamma satisface algunas propiedades:
(i) (n + 1) = n(n + 1) con n R
+
. En particular si n Z
+
, entonces (n + 1) = n!
(ii) (p)(1p) =

sen(p)
con p (0, 1). En particular con p =
1
2
, (
1
2
)(
1
2
) =

sen(

2
)
= , es decir
((
1
2
))
2
= (
1
2
) =

(iii) Para n impar, (

n
2
) =

(n1)
2
n1
(
n1
2
)!
(iv)
_

0
x
1
e
x
dx =
()

x
(v) Forma asintotica de Stirling (n + 1)
n

2nn
n
e
n
, en particular n!
n

2nn
n
e
n
(vi) (2) = (1) =
_

0
e
x
dx = 1
Denicion: Se dice que X variable aleatoria continua tiene distribucion gamma con parametros
r > 0 y > 0, se denota X Gamma(r, ), si su funcion de densidad esta dada por
f
X
(x) =

r
(r)
x
r1
e
x
I
(0,)
(x)
PROPOSICI

ON: Si X Gamma(r, ), entonces:

(a) f
X
es efectivamente funcion de densidad
(b) m
X
(t) =
_

t
_
r
si t <
(c) E(X) =
r

5
(d) E(X
2
) =
r(r+1)

2
(e) V ar(X) =
r

2
Denicion: Se dice que X variable aleatoria continua tiene distribucion gamma generalizada con
parametros a > 0, p > 0 y > 0, se denota X GammaG(a, p, ), si su funcion de densidad
esta dada por
f
X
(x) =
a

ap
(p)
x
ap1
e
(x/)
a
I
(0,)
(x)
12. Ji-cuadrada
Denici on: Se dice que X variable aleatoria continua tiene distribucion Ji-cuadrada con k
grados de libertad si X Gamma(k/2, 1/2), se denota X
2
(k)
, i.e. si su funcion de densidad
esta dada por
f
X
(x) =
(
1
2
)
k/2
(k/2)
x
k
2
1
e
x/2
I
(0,)
(x)
PROPOSICI

ON: Si X
2
(k)
, entonces:
(a) f
X
es efectivamente funcion de densidad
(b) m
X
(t) =
_
1
12t
_
k/2
(c) E(X) = k
(d) E(X
2
) = k(k + 2)
(e) V ar(X) = 2k
13. Distribuci on Beta
Denici on: Se dice que X variable aleatoria continua tiene distribucion beta con parametros
> 0 y > 0, se denota X Beta(, ), si su funcion de densidad esta dada por
f
X
(x) =
1
B(, )
x
1
(1 x)
1
I
(0,1)
(x)
donde B(u, v) =
_
1
0
t
u1
(1 t)
v1
dt es conocida como la funcion Beta.
Existe una relacion entre las funciones beta y gamma:
B(, ) =
()()
( +)
PROPOSICI

ON: Si X Beta(, ), entonces:

(a) f
X
es efectivamente funcion de densidad
(b) E(X) =

+
(c) E(X
2
) =
(+1)
(++1)(+)
6
(d) V ar(X) =

(+)
2
(++1)
(e) E(X
r
) =
(+r)(+)
()(++r)
NOTA: No existe forma analtica para la funcion generadora de momentos para una variable aleato-
ria con distribucion Beta.
14. Normal
Denicion: Se dice que X variable aleatoria continua tiene distribucion normal con parametros
R y
2
> 0, se denota X N(,
2
), si su funcion de densidad esta dada por
f
X
(x) =
1

2
2
exp
_

1
2
2
(x )
2
_
I
R
(x)
PROPOSICI

ON: Si X N(,
2
), entonces:
(a) f
X
es efectivamente funcion de densidad
(b) E(X) =
(c) E(X
2
) =
2
+
2
(d) V ar(X) =
2
(e) m
X
(t) = exp
_
t +
1
2
t
2

2
_
15. t de Student
Denicion: Se dice que X variable aleatoria continua tiene distribucion t de Student con k
grados de libertad, se denota X N(,
2
), si su funcion de densidad esta dada por
f
X
(x) =
(
k+1
2
)
(
k
2
)
1

k
1
_
1 +
x
2
k
_k+1
2
I
R
(x)
16. F de Fisher
Denici on: Se dice que X variable aleatoria continua tiene distribucion F de Fisher con
parametros m, n > 0, se denota X F(m, n), si su funcion de densidad esta dada por
f
X
(x) =
(
m+n
2
)
(
m
2
)(
n
2
)
_
m
n
_
m/2
x
m2
2
_
1 + (
m
n
)x
_m+n
2
I
R
(x)
17. Log-normal
Denici on: Se dice que X variable aleatoria continua tiene distribucion log-normal con paramet-
ros R y
2
R
+
, se denota X LgN(,
2
), si su funcion de densidad esta dada por
f
X
(x) =
1
x

2
2
exp
_

1
2
_
_
log(x)

_
2
__
I
(0,)
(x)
PROPOSICI

ON: Si X LgN(,
2
), entonces:
7
(a) f
X
es efectivamente funcion de densidad
(b) E(X) = exp
_
+

2
2
_
(c) E(X
2
) = exp
_
2( +
2
)
_
(d) V ar(X) = exp(2 +
2
)[exp(
2
) 1]
(e) E(X
r
) = exp(r +
r
2

2
2
)
18. Logstica
Denici on: Se dice que X variable aleatoria continua tiene distribucion logstica con parametros
R y R
+
, se denota X Logistic(, ), si su funcion de densidad esta dada por
f
X
(x) =
e
(x)/
(e
(x)/
)
2
I
R
(x)
PROPOSICI

ON: Si X Logistic(, ), entonces:

(a) f
X
es efectivamente funcion de densidad
(b) E(X) =
(c) E(X
2
) =
2
+

2
3
(d) V ar(X) =

2
3
19. Log-logstica
Denicion: Se dice que X variable aleatoria continua tiene distribucion log-logstica con paramet-
ros , R
+
, se denota X log Logistic(, ), si su funcion de densidad esta dada por
f
X
(x) =
(t)
1
(1 + (t)

)
2
I
(0,)
(x)
PROPOSICI

ON: Si X log Logistic(, ), entonces Ln(X) Logistic( = Ln(), = 1/)

20. Distribuciones de Pareto
Denici on: Se dice que X variable aleatoria continua tiene distribucion clasica de Pareto con
parametros , R
+
, se denota X PaI(, ), si su funcion de densidad esta dada por
f
X
(x) =

x
+1
I
[,)
(x)
PROPOSICI

ON: Si X PaI(, ), entonces:

(a) f
X
es efectivamente funcion de densidad
(b) E(X) =

1
, > 1
8
(c) E(X
r
) =

r
r
, > r
(d) V ar(X) =

2
(1)
2
(2)
, > 2
Denicion: Se dice que X variable aleatoria continua tiene distribucion Pareto tipo II con paramet-
ros , R
+
, se denota X PaII(, ), si su funcion de densidad esta dada por
f
X
(x) =

1
(1 +
x

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

ON: Si X PaII(, ), entonces:

(a) f
X
es efectivamente funcion de densidad
(b) E(X) =

1
, > 1
(c) E(X
r
) =
(r)(r+1)
r
()
, > r
(d) V ar(X) =

2
(1)
2
(2)
, > 2
PROPOSICI

ON: Si X PaII(, ), entonces X PaII(, )

PROPOSICI

ON: Si X Beta(, 1), entonces

1
X
PaI(, 1)
Denicion: Se dice que X variable aleatoria continua tiene distribucion Pareto generalizada con
parametros k, R
+
, se denota X GPa(k, ), si su funcion de densidad esta dada por
f
X
(x) =
1

_
1
kx

_ 1
k1
I
(0,)
(x)
PROPOSICI

ON: Si X GPa(k, ), entonces:

(a) f
X
es efectivamente funcion de densidad
(b) E
_
_
1
kX

_
r
_
=
1
1+rk
(c) E(X) =

1+k
(d) V ar(X) =

2
(1+k)
2
(1+2k)
, > 2
21. Inversa Gaussiana
Denici on: Se dice que X variable aleatoria continua tiene distribucion inversa Gaussiana con
parametros , R
+
, se denota X IG(, ), si su funcion de densidad esta dada por
f
X
(x) =
_

2x
3
exp
_

2
2
x
(x )
2
_
I
(0,)
(x)
PROPOSICI

ON: Si X IG(, ), entonces:

(a) f
X
es efectivamente funcion de densidad
9
(b) E(X) =
(c) E(X
2
) =
2
(1 +

)
(d) V ar(X) =

3

(e) m
X
(t) = exp
_

_
1
_
1
2
2
t

__
22. Gompertz
La siguiente distribucion la propuso Benjamin Gompertz para ajustar tablas de mortalidad.
Denici on: Se dice que X variable aleatoria continua tiene distribucion Gompertz con paramet-
ros b, c R
+
, se denota X Gom(b, c), si su funcion de densidad esta dada por
f
X
(x) = be
cx
exp
_

b
c
(e
cx
1)
_
I
(0,)
(x)
23. Makeham
Denici on: Se dice que X variable aleatoria continua tiene distribucion Makeham con paramet-
ros a, b, c R
+
, se denota X Mak(a, b, c), si su funcion de densidad esta dada por
f
X
(x) = (a +be
cx
)exp
_
ax
b
c
(e
cx
1)
_
I
(0,)
(x)
24. Distribuciones de Benktander
Las distribuciones de Benktander (Benktander & Segerdahl (1960), Benktander (1960)) surgen
con la idea de encontrar una distribucion cuya vida residual media se encuentre entre las vidas
residuales medias de las distribuciones exponencial y de Pareto.
Denici on: Se denen las distribuciones de Benktander como,
(I) Benktander tipo I (a > 0, b (0, 1], > 0)
F(x) =
_
1 (
x

)
(1b)
exp[
a
b
(x
b

b
)] si x ;
0 si x <
(II) Benktander tipo II (a > 0, b 0, > 0)
F(x) =
_
1
a+2b log(x)
a+2b log()
(
x

)
a1
exp[b(log
2
(x) log
2
())] si x ;
0 si x <
PROPOSICI

ON: Si X tiene una distribucion Benktander tipo I, entonces

E(X) =
(1 +a + 2b log())
a + 2b log()
PROPOSICI

ON: Si X tiene una distribucion Benktander tipo II, entonces

E(X) =
_
1 +
1
a
b
_
10
25. Gumbel
Denici on: Se dice que X variable aleatoria continua tiene distribucion Gumbel con parametros
R, > 0, se denota X Gum(, ), si su funcion de densidad esta dada por
f
X
(x) =
1

exp(
x

)exp[exp(
x

)]I
R
(x)
PROPOSICI

ON: Si X Gum(, ), entonces:

(a) f
X
es efectivamente funcion de densidad
(b) E(X) = (1)
(c) E(X
2
) =
2
+

6
2
2(1) + ((1))
2
(d) V ar(X) =

6
2
26. Weibull
Denici on: Se dice que X variable aleatoria continua tiene distribucion Weibull con parametros
R, > 0, > 0, se denota X Wei(, , ), si su funcion de densidad esta dada por
f
X
(x) =

(x )
1
exp
_
(
x

_
I
(,)
(x)
PROPOSICI

ON: Si X Wei(, , ), entonces:

(a) f
X
es efectivamente funcion de densidad
(b) E(X) = +(1 +
1

)
(c) E(X
2
) =
2
+ 2(1 +
1

) +
2
(1 +
2

)
(d) V ar(X) =
2
[(1 +
2

)
2
(1 +
1

)]
27. Frechet
Denici on: Se dice que X variable aleatoria continua tiene distribucion Frechet con parametros
R, > 0, > 0, se denota X Frechet(, , ), si su funcion de densidad esta dada por
f
X
(x) =

(x )
1
exp
_

_

x
_

_
I
(,)
(x)
PROPOSICI

ON: Si X Frechet(, , ), entonces:

(a) f
X
es efectivamente funcion de densidad
(b) E(X) = +(1
1

)
(c) E(X
2
) =
2
+ 2(1
1

) +
2
(1
2

)
(d) V ar(X) =
2
[(1
2

)
2
(1
1

)]
11