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.

Distribucion 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. Proceso de Bernoulli

1.1.1. Modelos principales asociados al proceso de Bernoulli
Distribucion de Bernoulli, B(1, p). Una variable aleatoria X sigue dis-
tribucion de Bernoulli de parametro p (0, 1) y se denota X B(1, p) si
describe el numero de exitos en una realizacion de un experimento que tie-
ne 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).

1
Distribucion Binomial, B(n, p). Una variable aleatoria X sigue distri-
bucion Binomial de parametros n N y p (0, 1) y se denota X B(n, p)
si describe el numero de exitos en n realizaciones independientes de un ex-
perimento 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 indepen-
dientes de Bernoulli de parametro p.

Distribucion Geometrica 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 numero de realizaciones independientes de un experimento ne-
cesarias 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 numero natural, {1, 2, . . .}.
Si k {1, 2, . . .}, se cumple

P (X = k) = (1 p)k1 p ;
1 1p
E[X] = ; var[X] = .
p p2

1.1.2. Otros modelos asociados al proceso de Bernoulli

Distribucion 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 numero de fracasos de un experimento
antes del r-esimo exito, siendo las realizaciones del experimento indepen-
dientes 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
r(1 p) r(1 p)
E[X] = ; var[X] = .
p p2

Distribucion Hipergeometrica, 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 numero 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 nk
P (X = k) = N

;
n
D D N D N n
E[X] = n ; var[X] = n .
N N N N 1

1.2. Proceso de Poisson

Distribucion de Poisson, P(). Una variable aleatoria X sigue distribu-
cion de Poisson de parametro > 0 y se denota X P() si representa el
numero 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
P (X = k) = e ;
k!
E[X] = ; var[X] = .

Propiedad. Las distribuciones de Poisson son reproductivas, es decir, da-

das 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.

Distribucion Uniforme, U(a, b). Una variable aleatoria X sigue distribu-

cion uniforme de parametros a < b y se denota X U(a, b) si toma valores
en el intervalo (a, b) segun la siguiente funcion de densidad,

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

a+b (b a)2
E[X] = ; var[X] = .
2 12

2.1. Proceso de Poisson

Distribucion Exponencial, Exp(). Una variable aleatoria X sigue dis-
tribucion exponencial de parametro > 0 y se denota X Exp() si toma
valores positivos segun 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

1 1
E[X] = ; var[X] = .
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 ).

4
2.2. Distribucion Normal
Distribucion Normal, N(, ). Una variable aleatoria X sigue distribu-
cion normal de media y desviacion tpica y se denota X N(, ) si
toma valores en toda la recta real, segun la siguiente funcion de densidad,
1 (x)2
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) =
X
f (t)dt.
E[X] = ; var[X] = 2 .
Llamamos normal tipificada o estandar a la normal de media 0 y desvia-
cion 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 nor-
mal, 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 inde-
pendientes, entonces
 q 
2 2
X + Y N 1 + 2 , 1 + 2 .

Teorema Central del Lmite. Si X1 , X2 , . . . , Xn son n variables aleato-

rias independientes e identicamente
Pn distribuidas con media y desviacion
tpica , entonces,
Pn entonces i=1 X i se aproxima a una
N(n, n), equiva-
lentemente i=1 Xi /n se aproxima a una N(, / n). La aproximacion es
buena si n 30.

5
Correccion 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).

Aproximacion 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.

Aproximacion Poisson-Normal. La distribucion de Poisson surge como

lmite e la Binomail cuando el numero 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

Distribucion 2 de Pearson, 2n . Si X1 , X2 , . . . , Xn son n variables alea-
torias 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.

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

X/n1
Z=
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.