Modelos Estocásticos Discretos

Función
Variable Qué Distribución de
Media Varianza Generadora
Aleatoria X representa Probabilidades
Momentos

resultados de un
Uniforme
experimento con
X  U(1,N) igual probabilidad
S = {1; 2; 3; ... ; N}

número de
sucesos que
Binomial
ocurren en el np np(1 – p)
X  b(x; n, p) Experimento
Binomial S = {0; 1; 2; 3; ... ; n}
número de
repeticiones que
Geométrica se requieren en el
X  g(x; 1, p) experimento, para
que el primer S = {1; 2; 3; ... }
para (1 – p)et < 1
suceso ocurra
1
Modelos Estocásticos Discretos
Función
Variable Qué Distribución de
Media Varianza Generadora
Aleatoria X representa Probabilidades
Momentos
número de
Binomial repeticiones que se
(pet )r [1 – (1 – p)et] –r
requieren en el
Negativa experimento, para
X  bn(x; r, p) que el r-ésimo para (1 – p) e t < 1
suceso ocurra S = {r; r + 1; ... }

número de
elementos que
Hipergeométrica aparecen en la
X  h(x; a, N, n) muestra, que tienen
la característica de
interés S = {0; 1; 2; ... ; k} ;
con k = min{a ; n}

número de eventos
Poisson
 
por unidad de
X  po(x; ) tiempo, espacio,
volumen, etc.
S = {0; 1; 2; ... } 2
Modelos Estocásticos Continuos
Función
Variable
Densidad Media Varianza Generadora de
Aleatoria X
Momentos

Uniforme
X ~ U(a,b)
S = {xR | a < x < b}

Normal
m s2
X ~ N(m,s2)
S=R

Normal
Estándar 0 1
X ~ N(0,1) S=R

3
Modelos Estocásticos Continuos
Función
Variable
Densidad Media Varianza Generadora de
Aleatoria X
Momentos

Gamma
ab ab2
X ~ G(a,b)
S = {xR | x > 0}

Exponencial
b b2
X ~ G(1,b)

Ji – Cuadrado
X ~ G(n/2,2) – se n 2n
denota por 2(n)
S = {xR | x > 0}

4
Modelos Estocásticos Continuos
Función
Variable
Densidad Media Varianza Generadora de
Aleatoria X
Momentos

Erlang
nb nb2
X ~ G(n,b)
S = {xR | x > 0}

Beta
X ~ B(a,b) S = {xR | 0 < x <1};
a,bR+

Weibull
X ~ W(a,b) S = {xR | x > 0, a, bR+}