Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Distribuciones PDF
Distribuciones PDF
Definición 6.1.2 Se dice que una v.a. X sigue una distribución uniforme en n puntos si
toma n valores, x1 , x2 , ..., xn , con igual probabilidad.
1
p(xi ) = P (X = xi ) = , i = 1, . . . , n
n
Función de distribución
0 x < x1
1/n x1 ≤ x < x2
2/n x2 ≤ x < x3
F (x) = .. ..
. .
(n − 1) /n xn−1 ≤ x < xn
1 x ≥ xn
Esperanza
n
1X
E(X) = xi = x
n
i=1
1
2 Tema 6. Modelos de distribuciones discretas y continuas
Varianza
n
à n
!2 n
2 1X 2 1X 1X 2
σX = V ar(X) = xi − xi = xi − x2
n n n
i=1 i=1 i=1
Consideremos un experimento que sólo puede presentar 2 posibles resultados que lla-
maremos éxito (si ocurre el suceso de interés) o fracaso (en caso contrario). Las proba-
bilidades de estos sucesos suelen denotarse por p = P (éxito) y q = 1 − p = P (fracaso).
Este tipo de experimento se conoce como ensayo de Bernoulli. Si el experimento se repite
n veces siempre en las mismas condiciones, entonces cada una de estas realizaciones es
independiente de las demás y la probabilidad de éxito, p, permanece constante.
Definición 6.1.4 La v.a. X que representa el “número de éxitos obtenidos en los n en-
sayos”se dice que sigue una distribución binomial de parámetros n y p, X ; B (n, p),
siendo n el número de veces que se repite el experimento y p la probabilidad de éxito.
Nota 6.1.5 Observe que la v.a. X sólo puede tomar los valores 0, 1, 2, . . . , n.
µ ¶
n x n−x n!
p(x) = P (X = x) = p q = px q n−x , x = 0, 1, . . . , n
x (n − x)!x!
La Figura 6.1 muestra la representación gráfica de la f.m.p. para distintos valores de los
parámetros de la distribución binomial.
Función de distribución
0 si x < 0
P[x] ¡ ¢
F (x) = P [X ≤ x] = n i n−i
i p q si 0 ≤ x < n
i=0
1 si x ≥ n
Esperanza
E(X) = np
Varianza
2
σX = V ar(X) = npq
Definición 6.1.7 Se dice que una v.a. X tiene distribución de Poisson de parámetro λ,
X ; P (λ) cuando puede tomar los valores enteros positivos 0, 1, 2, 3, . . . con la siguiente
probabilidad
e−λ · λx
p(x) = P (X = x) = , x = 0, 1, 2, . . .
x!
donde:
3. El promedio de ocurrencias del suceso en cada unidad temporal o espa- cial, repre-
sentado por λ, permanece constante.
de veces que una planta de energı́a nuclear emite gases radiactivos en el perı́odo de
tres meses
Observe que el intervalo de tiempo dado puede ser de cualquier magnitud (un minuto,
una hora, un dı́a, etc.); y la región especificada puede ser un intervalo de una recta, una
superficie, un volumen, etc.
e−λ · λx
p(x) = P (X = x) = , x = 0, 1, 2, . . .
x!
La Figura 6.2 muestra la representación gráfica de la f.m.p. para distintos valores de los
parámetros de la distribución de Poisson.
Función de distribución
0 si x < 0
[x] −λ
F (x) = P e · λi
si x ≥ 0
i=0 i!
Esperanza
E(X) = λ
Varianza
2
σX = V ar(X) = λ
Definición 6.1.11 Sean N el número total de objetos de una población finita, de forma
que k de éstos son de un tipo y los N − k restantes de otro. Si se selecciona una muestra
de la población constituı́da por n objetos, la v.a. X que representa el “número de objetos
del primer tipo en la muestra”se dice que tiene distribución hipergeométrica de parámetros
N, n y k, X ; H(N, n, k).
0,4
H(1000,10,0.1)
H(1000,10,0.25)
0,3 H(50,20,0.5)
H(200,30,0.4)
0,2
0,1
0
0 5 10 15 20 25 30
Función de distribución
0 si x < máx {0, n − N + k}
P[x] k N −k
( i )( n−i )
F (x) = si máx {0, n − N + k} ≤ x < mı́n {n, k}
(Nn )
i=0
1 si x ≥ mı́n {n, k}
Esperanza
nk
E(X) =
N
Varianza
2 nk (N − k) (N − n)
σX = V ar(X) = ·
N2 (N − 1)
0,1
BN(10,0.1)
BN(10,0.2)
0,08
BN(20,0.1)
P(X=x)
BN(20,0.5)
0,06
0,04
0,02
0
0 100 200 300 400
x
Definición 6.1.14 Sea X el número de fracasos hasta obtener de manera exacta k éxitos
en un experimento binomial, donde la probabilidad de éxito en cada ensayo es p. Entonces,
se dice que la v.a. X sigue una distribución binomial negativa con parámetros k y p,
X ; BN (k, p).
µ ¶
k+x−1 k
p(x) = P (X = x) = p (1 − p)x , x = 0, 1, 2, . . .
x
La Figura 6.4 muestra la representación gráfica de la f.m.p. de la distribución binomial
negativa para distintos valores de los parámetros.
Función de distribución
0, x<0
F (x) = [x]
P ¡k+i−1¢ k
i p (1 − p)i x ≥ 0
i=0
Esperanza
k (1 − p)
E(X) =
p
Varianza
2 k (1 − p)
σX = V ar(X) =
p2
Nota 6.1.16 La binomial, Poisson y binomial negativa son distribuciones en las que se
hace muestreo con reemplazamiento, por lo tanto los ensayos son independientes. Sin em-
bargo, en la hipergeométrica el muestreo es sin reemplazo, por lo tanto los ensayos no son
independientes.
Definición 6.2.2 Se dice que una v.a. X se distribuye según una uniforme en el intervalo
[a, b], X ; U [a, b], si la probabilidad de que tome cualquier subintervalo de valores es
proporcional a la longitud de dicho subintervalo.
Nota 6.2.3 El intervalo de definición de la distribución uniforme puede ser abierto, semi-
abierto o cerrado.
Función de densidad
1
a<x<b
f (x) = b−a
0 en otro caso
Función de distribución
0
x− x<a
a
F (x) = a<x<b
b−a
1 x>b
Esperanza
a+b
E(X) =
2
Varianza
2 (b − a)2
σX = V ar(X) =
12
Esta distribución suele ser modelo de aquellos fenómenos aleatorios que miden el tiempo
que transcurre entre dos sucesos. Por ejemplo, entre la puesta en marcha de un cierto
componente y su fallo o el tiempo que transcurre entre dos llegadas consecutivas a un
cajero automático.
Definición 6.2.5 Sea X una v.a. continua que puede tomar valores x ≥ 0. Se dice que X
sigue una distribución exponencial de parámetro λ (y se nota X ; exp(λ)) si su función
de densidad está dada por
½
λe−λx x ≥ 0
f (x) =
0 en otro caso
Función de distribución
½
1 − e−λx x ≥ 0
F (x) =
0 en otro caso
Esperanza
1
E(X) =
λ
Varianza
1
E(X) =
λ2
La Figura 6.5 muestra la representación gráfica de la distribución exponencial para
distintos valores del parámetro λ.
Definición 6.2.7 Se dice que una v.a. X tiene una distribución normal de parámetros µ
y σ, X ; N (µ, σ), si su función de densidad tiene la siguiente forma:
1 (x−µ) 2
f (x) = √ e− 2σ2
σ 2π
donde x ∈ R, µ ∈ R y σ > 0.
Esperanza
E(X) = µ
Varianza
2
σX = V ar(X) = σ 2
Es contı́nua en todo R.
Figura 6.7: La zona coloreada representa el valor, F (x), de la función de distribución en el punto x
f (x − µ) = f (x + µ) , ∀x ∈ R
Nota 6.2.8 F (x) coincide con el área que encierra la curva f (x) respecto al eje de abcisas
desde −∞ a x. Véase la Figura 6.7.
N(0,1)
0.4
Densidad, f(x)
0.3
0.2
0.1
0
-5 -3 -1 1 3 5
x
Es simétrica respecto a x = 0.
F (−x) = 1 − F (x)
P (Z ≤ a) = F (a)
P (Z ≥ a) = 1 − P (Z < a) = 1 − F (a)
Hasta ahora hemos calculado una probabilidad dado cualquier valor de X, es decir, se
tenı́a un valor concreto de la variable aleatoria X y se deseaba hallar el área que queda
por debajo de este valor. Pero a veces ocurre que se conoce la probabilidad y hay que
determinar el valor de X que da lugar a dicha probabilidad.
Llamamos cuantil de orden α, xα , al punto de la distribución que deja por debajo
de sı́ una probabilidad α (Figura 6.9).
Estos valores se calculan utilizando las tablas de forma inversa.
N (µ, σ)
np > 10 λ > 15
¡
µ
¡ @
I
@
µ = np ¡ @ µ=λ
σ = (npq)1/2 ¡ @ σ = λ1/2
¡ @
¡ @
H (N, n, k) - B (n, p) - P (λ)
n/N < 0.1 p < 0.1
p = k/N λ = np
Nota 6.2.10 Es importante tener en cuenta que en el caso continuo la probabilidad aso-
ciada a un valor concreto de la variable es nula, por tanto, cuando se aproxima una dis-
tribución discreta a una distribución normal, que es continua, se debe utilizar la corrección
de continuidad de Fisher o corrección de medio intervalo. Esta corrección consiste
£ en con-
¤
siderar cada valor discreto x como un intervalo de amplitud 1 de la forma x − 2 , x + 21 .
1
Ası́ pues:
P (X = x) ∼
= P (x − 1
2 ≤ X 0 ≤ x + 12 )
P (X ≤ x) ∼
= P (X 0 ≤ x + 12 ) (ası́ se asegura que el valor x está siendo considerado)
P (X < x) ∼
= P (X 0 ≤ x− 12 ) (ası́ se asegura que el valor x no está siendo considerado)
P (X ≥ x) ∼
= P (X 0 ≥ x − 12 ) (ası́ se asegura que el valor x está siendo considerado)
P (X > x) ∼
= P (X 0 ≥ x+ 12 ) (ası́ se asegura que el valor x no está siendo considerado)