Probabilidades y Estadstica (M)

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

de las variables aleatorias ms frecuentes

I. Distribuciones discretas

Distribucin Binomial Bi(n, p)

n k
pX (k) = p (1 p)nk k = 0, 1, . . . , n y 0 < p < 1
k

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

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

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

r
E (X) =
p
r(1 p)
var (X) =
p2
La distribucin geomtrica es un caso particular de la distribucin binomial negativa: Ge(p) =
BN(1, p).

Distribucin Poisson P()

k
pX (k) = e si k = 0, 1, 2, . . . y > 0
k!

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

1
Distribucin Hipergeomtrica H (N, r, m)

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
E (X) = m
N
r (N r) (N m)
var (X) = m
N N (N 1)

II. Distribuciones continuas

Distribucin Normal N(, 2 )

1 2 2
fX (x) = e(x) /2 con > o
2

E (X) =
var (X) = 2
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

0
-5 -2.5 0 2.5 5

Densidad de la normal estndar

Distribucin Gama (, )

1 x
fX (x) = x e I(0,+) (x) con > 0, > 0
()

2

E (X) =


var (X) = 2

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

(1/2) =

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

0
0 2 4 6 8

Densidad de la gama

Distribucin Exponencial Exp()

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

1
E (X) =

1
var (X) = 2


X (t) =
it

3
 y

0.175

0.15

0.125

0.1

0.075

0.05

0.025

5 10 15 20 25

Densidad Exponencial con = 1/5

La distribucin exponencial es un caso particular de la distribucin gama: Exp() =

(1, ) .

Distribucin Beta (a, b)

(a + b) a1
fX (x) = x (1 x)b1 I(0,1) (x) con a, b > 0
(a) (b)

a
E (X) =
a+b
ab
var (X) = 2
(a + b) (a + b + 1)

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

2.5

1.5

0.5

0
0 0.25 0.5 0.75 1

Densidad de la beta

Distribucin Uniforme U [a, b]

1
f (x) = I[a,b] (x)
ba

4
 a+b
E (X) =
2
(b a)2
var (X) =
12
e eita
itb
X (t) =
i (b a) t

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
((n + 1)/2) x2
fX (x) = 1+
(n/2) n 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
n cuadrado
con n grados de libertad es un caso particular de la distribucin gama: 2n =
2 , 12 (n N) .

E (X) = n
var (X) = 2n

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

((m + n)/2) n n/2 (n/2)1 n (n+m)/2

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

Distribucin de Cauchy C (0, )

1
fX (x) = 2 >0
+ x2
X (t) = e|t|
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 .

5
III. Propiedades
- X PBi(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, Pp). Ms an, si W

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
V = Fn,m
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

X1
V = 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.