Probabilidades y Estadística (C)

Funciones de probabilidad puntual (pX ) o densidad densidad (fX ), esperanzas, varianzas y

funciones generadoras (MX ) de las variables aleatorias más frecuentes
I. Distribuciones discretas

Distribución Binomial Bi(n, p)

µ ¶
n k
pX (k) = p (1 − p)n−k k = 0, 1, . . . , n y 0 < p < 1
k
E (X) = np
var (X) = np(1 − p), MX (t) = [pet + (1 − p)]n
Un caso particular de la distribución binomial es cuando n = 1. Esta distribución suele denominarse
Bernoulli de parámetro p, Be (p) = Bi (1, p) .

Distribución Geométrica Ge(p)

pX (k) = p (1 − p)k−1 si k = 1, 2, . . . y 0 < p < 1
1
E (X) =
p
1−p p et
var (X) = 2
, MX =
p 1 − (1 − p) et

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

µ ¶
k−1 r
pX (k) = p (1 − p)k−r k = r, r + 1, . . . y 0 < p < 1
r−1
r
E (X) =
p
µ ¶r
r(1 − p) p et
var (X) = , MX =
p2 1 − (1 − p) et
La distribución geométrica es un caso particular de la distribución binomial negativa: Ge(p) =
BN (1, p).

Distribución Poisson P(λ)

λk −λ
pX (k) = e si k = 0, 1, 2, . . . y λ > 0
k!
E (X) = λ
t −1
var (X) = λ, MX (t) = eλ(e )

Distribución Hipergeométrica H (N, B, m)

N : total poblacional
B : cantidad de “buenos” en la población
m : cantidad de elementos extraídos (tamaño de la muestra)
µ ¶µ ¶
B N −B
k m−k
pX (k) = µ ¶ si k es entero con max(B + m − N, 0) ≤ k ≤ min (B, m)
N
m
B
E (X) = m
N
B (N − B) (N − m)
var (X) = m
N N (N − 1)

1
II. Distribuciones continuas

Distribución Normal N(μ, σ 2 )

1 (x−μ)2
fX (x) = √ e− 2σ2 con σ > o
σ 2π
E (X) = μ
var (X) = σ 2
σ 2 t2
+μt
MX (t) = e 2

Distribución Gamma Γ (α, λ)

λα α−1 −λx
fX (x) = x e I(0,+∞) (x) con λ > 0, α > 0
Γ (α)
α
E (X) =
λ
α
var (X) = 2
λ
µ ¶α
λ
MX (t) = I(−∞,λ) (t)
λ−t
Recordemos que el símbolo Γ (α) representa a la función gamma que se define por
Z ∞
Γ (y) = xy−1 e−x dx si y > 0
0

Satisface las siguientes propiedades:

Γ (1) = 1
Γ (α) = (α − 1) Γ (α − 1)
Γ (n) = (n − 1)! para n = 1, 2, 3, ...
√
Γ (1/2) = π
¡n 1
¢
La distribución χ2n (chi cuadrado n) es un caso particular de la distribución gamma, χ2n = Γ 2, 2 .

Distribución Exponencial Exp(λ)

fX (x) = λe−λx I(0,+∞) (x) con λ > 0

1
E (X) =
λ
1
var (X) = 2
λ
λ
MX (t) = I (t)
λ − t (−∞,λ)
La distribución exponencial es un caso particular de la distribución gamma: Exp(λ) = Γ (1, λ) .

Distribución Uniforme U [a, b]

1
f (x) = I (x)
b − a [a,b]
a+b
E (X) =
2
(b − a)2
var (X) =
12
etb − eta
MX (t) =
t (b − a)