Está en la página 1de 23

STATGRAPHICS – Rev.

4/25/2007

Distribuciones de Probabilidad

Resumen
El procedimiento Distribuciones de Probabilidad realiza diversas operaciones para cualquiera
de 45 distribuciones de probabilidad. En particular, usted puede:
1. Graficar la función masa (de distribución) o de densidad de probabilidad, la distribución
acumulada, la función de supervivencia, la función log de supervivencia, o la función de
riesgo.
2. Calcular la distribución acumulada o la distribución acumulada inversa.
3. Generar números aleatorios.

StatFolio de Ejemplo: probdist.sgp

Datos de Ejemplo:
Ninguno.

Ingreso de Datos
La caja de ingreso de datos se usa para elegir la distribución a ser avaluada.

• Distribución: seleccione una de las 45 distribuciones listadas.

© 2005 por StatPoint, Inc. Distribuciones de Probabilidad - 1


STATGRAPHICS – Rev. 4/25/2007

Resumen del Análisis


El Resumen del Análisis muestra la distribución elegida y los valores de sus parámetros.

Distribuciones de Probabilidad
Distribución: Normal
Parámetros: Media Desv. Est.
Dist. 1 10 1
Dist. 2 10 2
Dist. 3 10 3
Dist. 4
Dist. 5

Opciones de Análisis
Especifique hasta 5 grupos de parámetros para la distribución elegida.

Los parámetros solicitados dependen de la distribución elegida en la caja de diálogo del ingreso
de datos. Al final de este documento se dan las definiciones de las diferentes distribuciones.

© 2005 por StatPoint, Inc. Distribuciones de Probabilidad - 2


STATGRAPHICS – Rev. 4/25/2007

Distribución Acumulada
Esta ventana muestra el valor de la función de distribución acumulada y de la función masa o de
densidad de probabilidad en hasta 5 valores de X.

Distribución Acumulada
Distribución: Normal

Área Cola Inferior (<)


Variable Dist. 1 Dist. 2 Dist. 3 Dist. 4 Dist. 5
10.5 0.691464 0.598708 0.566186
11.5 0.933193 0.773374 0.691464
12.5 0.99379 0.894351 0.797673

Densidad de Probabilidad
Variable Dist. 1 Dist. 2 Dist. 3 Dist. 4 Dist. 5
10.5 0.352065 0.193334 0.131147
11.5 0.129518 0.150569 0.117355
12.5 0.0175283 0.0913245 0.0939706

Área Cola Superior (>)


Variable Dist. 1 Dist. 2 Dist. 3 Dist. 4 Dist. 5
10.5 0.308536 0.401292 0.433814
11.5 0.066807 0.226626 0.308536
12.5 0.00620966 0.105649 0.202327

En la tabla se incluyen:
• Área Cola Inferior: la probabilidad de que una variable aleatoria de la distribución
especificada sea menor que el valor mostrado en la columna de más a la izquierda.
• Densidad de Probabilidad (sólo distribuciones continuas): la altura de la función de
densidad de probabilidad f(X) en el valor mostrado en la columna de más a la izquierda.
• Masa de Probabilidad (sólo distribuciones discretas): la probabilidad de que X sea igual al
valor mostrado en la columna de más a la izquierda.
• Área Cola Superior: la probabilidad de que una variable aleatoria de la distribución
especificada sea mayor que el valor mostrado en la columna de más a la izquierda.

Por ejemplo, F(X) = 0.691464 en X=10.5 para la primera distribución en la tabla anterior.

Opciones de Ventana

• Variable Aleatoria: especifique hasta 5 valores en los cuales se calculará la distribución


acumulada.
© 2005 por StatPoint, Inc. Distribuciones de Probabilidad - 3
STATGRAPHICS – Rev. 4/25/2007

FDA Inversa
La FDA Inversa (Función de Distribución Acumulada) calcula el valor de una variable aleatoria
X en o bajo el cual hay una probabilidad específica.

FDA Inversa
Distribución: Normal

FDA Dist. 1 Dist. 2 Dist. 3 Dist. 4 Dist. 5


0.01 7.67365 5.3473 3.02094
0.1 8.71845 7.43689 6.15534
0.5 10 10 10
0.9 11.2816 12.5631 13.8447
0.99 12.3264 14.6527 16.9791

En el caso de una variable continua, el valor de X es calculado tal que la función de distribución
acumulada F(X) es igual a la probabilidad mostrada en la columna de más a la izquierda. En el
caso de una distribución discreta, el valor desplegado es el valor más pequeño tal que F(X) es
mayor o igual a la probabilidad mostrada en la columna de más a la izquierda.

Por ejemplo, F(X) = 0.01 en X=7.67365 para la primera distribución en la tabla anterior.

Opciones de Ventana

• FDA: especifique hasta 5 valores de la función de distribución acumulada a los cuales se


determinarán valores de X. Los valores deberán ser mayores que 0.0 y menores que 1.0.

Números Aleatorios

Seleccione esta ventana para generar números aleatorios de las distribuciones elegidas.
Los pasos para generar números aleatorios son:

1. Especifique el tipo de distribución de probabilidad en la caja de diálogo del ingreso de


datos.
2. Use la caja de diálogo de las Opciones de Análisis para especificar los parámetros de la
distribución.

© 2005 por StatPoint, Inc. Distribuciones de Probabilidad - 4


STATGRAPHICS – Rev. 4/25/2007
3. Elija Números Aleatorios de la lista de opciones de la tabla y luego seleccione Opciones de
Ventana.
4. En la caja de diálogo de las Opciones de Ventana, especifique cuántos números aleatorios se
deberán generar.
5. Elija Salvar Resultados para colocar los números aleatorios en la hoja de datos.
Cada vez que seleccione Salvar Resultados, se generará un conjunto diferente de números
aleatorios.

El método empleado para generar números aleatorios depende de la distribución elegida. Muchas
de las distribuciones usan el método de la transformación inversa, en el cual un conjunto de n
números aleatorios Ui se generan a partir de una distribución uniforme sobre el intervalo (0,1) y
luego se convierten a la distribución deseada con

X i = F −1 (U i ) (1)

Los números aleatorios uniformes se generan usando tres generadores de congruencia lineal
diseñados de manera que dan la misma secuencia aleatoria en cualquier computadora (dada la
misma semilla). STATGRAPHICS establece la semilla con base en el tiempo en que es cargado,
de manera que cada sesión generará una secuencia diferente de números aleatorios.

Los métodos para generar números aleatorios se resumen a continuación:

Distribución Método
Bernoulli Si U≤p, X=1. Si no X=0.
Binomial Suma de n variables aleatorias Bernoulli
Binomial negativa k + (suma de k variables aleatorias geométricas)
Geométrica ⎛ ln(U i ) ⎞
(int)⎜⎜ ⎟⎟
⎝ ln(1 − p ) ⎠
Hipergeométrica Generación de m éxitos de una población finita de tamaño n sin
reemplazo
Poisson Usa la relación entre las variables aleatorias Poisson y
exponencial (vea Law y Kelton).
Uniforme discreta (int)uniforme(a,b+1)
Beta Y1
Y1 + Y2
donde Y1~gamma(α1,1)
y Y2~gamma(α2,1)
Beta (4 parámetros) Variable aleatoria beta.
Birnbaum-Saunders
(Zβ + )2
4Z 2 β 2 θ
4
donde Z ~ normal(0,1)
Cauchy ⎛Z ⎞
θ + β ⎜⎜ 1 ⎟⎟
⎝ Z2 ⎠
donde Z1~normal(0,1)
y Z2~normal(0,1)

© 2005 por StatPoint, Inc. Distribuciones de Probabilidad - 5


STATGRAPHICS – Rev. 4/25/2007
Chi-cuadrada gamma(ν/2,0.5)
Chi-cuadrada no Si ν es entero,
central ν 2

∑ (Z i + λ /ν )
i =1
donde Zi~normal(0,1).
Si no método de transformación inversa numérica.
Erlang ⎛ α ⎞
ln⎜⎜ ∏ U i ⎟⎟
− ⎝ i =1 ⎠
αβ
Exponencial Método de transformación inversa.
Exponencial (2 Variable aleatoria exponencial trasladada.
parámetros)
Exponencial potencia Método de transformación inversa numérica.
F Y1 / v1
Y2 / v 2
donde Y1~chicuadrada(v1)
y Y2~chicuadrada(v2)
F no central Y1 / v1
Y2 / v 2
donde Y1~chicuadrada no central(v1,λ)
y Y2~chicuadrada(v2)
Gamma Si α=1, exponencial(λ). Si no método de aceptación-rechazo
(vea Law y Kelton).
Gamma (3 Variable aleatoria gamma trasladada.
parámetros)
Gamma generalizada Método de transformación inversa numérica.
Gaussiana inversa Método Micael/Schucany/Hass (vea Gentle)
Laplace Método de transformación inversa.
Logística Método de transformación inversa.
Logística generalizada Método de transformación inversa numérica.
Loglogística Método de transformación inversa.
Loglogística (3 Variable aleatoria loglogística trasladada.
parámetros)
Lognormal exp[normal(μ,σ)]
Lognormal (3 Variable aleatoria lognormal trasladada.
parámetros)
Maxwell a + X 12 + X 22 + X 32
donde X1, X2, y X3 ~ normal(0,b)
Mitad normal Genera X~normal(μ,σ).
Si X≥μ, devuelve X.
Si no devuelve 2μ-X.
Normal Método polar (vea Law y Kelton).
Normal plegada |X| donde X ~ normal(μ,σ)
Pareto Método de transformación inversa.
Pareto (2 parámetros) Variable aleatoria Pareto trasladada.
© 2005 por StatPoint, Inc. Distribuciones de Probabilidad - 6
STATGRAPHICS – Rev. 4/25/2007
Rayleigh a + b − log(U )
t de Student Z1
Y1 / ν
donde Z1~normal(0,1)
y Y1~chicuadrada(ν)
t no central (Z1 + λ )
Y1 / ν
donde Z1~normal(0,1)
y Y1~chicuadrada(ν)
Triangular Método de transformación inversa.
Uniforme a+(b-a)U
Valor extremo Método de transformación inversa.
máximo
Valor extremo mínimo Método de transformación inversa.
Weibull Método de transformación inversa.
Weibull (3 Variable aleatoria Weibull trasladada.
parámetros)

Opciones de Ventana

• Tamaño: elija el número n de números aleatorios a generarse. Después de elegir el tamaño,


haga clic en Salvar Resultados para salvar los números aleatorios en la hoja de datos.

Funciones Masa/de Densidad


Esta ventana grafica la función de densidad de probabilidad f(X) para distribuciones continuas
(p.d.f. probability density function) o la función masa de probabilidad p(x) para distribuciones
discretas (p.m.f. probability mass function).

© 2005 por StatPoint, Inc. Distribuciones de Probabilidad - 7


STATGRAPHICS – Rev. 4/25/2007

Normal

0.4 Media,Desv. Est.


10,1
10,2
0.3 10,3
densidad

0.2

0.1

0
-5 0 5 10 15 20 25
x

Para una distribución continua tal como la distribución normal, el área bajo la función de
densidad sobre un intervalo de valores de X es igual a la probabilidad de que X caiga dentro de
ese intervalo.

Cuando se grafica la p.d.f. (función de densidad de probabilidad) para una sola distribución
continua, se pueden usa las Opciones de Ventana para especificar áreas que se sombrearán en el
gráfico:

• Sombreado: especifica una o más regiones a ser sombreadas.

Las áreas especificadas se indicarán en el gráfico y se desplegará la probabilidad asociada con la


suma de todas las áreas sombreadas:

© 2005 por StatPoint, Inc. Distribuciones de Probabilidad - 8


STATGRAPHICS – Rev. 4/25/2007

Normal
Probabilidad = 0.9545
0.4 Media,Desv. Est.
10,1

0.3
densidad

0.2

0.1

0
5 7 9 11 13 15
x

FDA
Esta ventana grafica F(X) la función de distribución acumulada.

Normal

1 Media,Desv. Est.
10,1
probabilidad acumulada

0.8 10,2
10,3
0.6

0.4

0.2

0
-5 0 5 10 15 20 25
x

F(X) es igual a la probabilidad de que la variable aleatoria sea menor o igual a X.

Función de Supervivencia
Esta ventana grafica la función de supervivencia S(X), definida por

S(X) = 1 – F(X) (2)

donde F(X) es la función de distribución acumulada.

© 2005 por StatPoint, Inc. Distribuciones de Probabilidad - 9


STATGRAPHICS – Rev. 4/25/2007

Normal

probabilidad de supervivencia 1 Media,Desv. Est.


10,1
0.8 10,2
10,3
0.6

0.4

0.2

0
-5 0 5 10 15 20 25
x

S(X) es igual a la probabilidad de que la variable aleatoria sea mayor que X. El nombre de la
función deriva de situaciones donde X representa el tiempo de vida de un individuo o un
producto. En ese caso, S(X) es la probabilidad de que un individuo sobreviva al menos X
unidades de tiempo.

Función Log de Supervivencia


Esta ventana grafica el logaritmo de la función de supervivencia S(X), la cual está definida por

S(X) = 1 – F(X) (3)

Normal

3 Media,Desv. Est.
10,1
prob. de log supervivencia

10,2
-7 10,3

-17

-27

-37
-5 0 5 10 15 20 25
x

Función de Riesgo
La función de riesgo representa la distribución condicional de una variable aleatoria dado que es
al menos X. Para distribuciones continuas, está definida por

© 2005 por StatPoint, Inc. Distribuciones de Probabilidad - 10


STATGRAPHICS – Rev. 4/25/2007
H(X) = f(x) / S(X) (4)

donde f(x) es la función de densidad de probabilidad y S(X) es la función de supervivencia. Para


distribuciones discretas, está definida por

H(X) = p(x+1) / S(X) (5)

donde p(x) es la función masa de probabilidad.

Normal

12 Media,Desv. Est.
10,1
10 10,2
10,3
8
riesgo

0
-5 0 5 10 15 20 25
x

En análisis de supervivencia, la función de riesgo representa la tasa de fallo condicional, i.e., la


probabilidad de fallo en el siguiente incremento pequeño de tiempo dado que un individuo ha
sobrevivido hasta el tiempo X.

Salvar Resultados
Se pueden salvar en la hoja de datos los siguientes resultados:

• Números aleatorios para la Dist. #: un conjunto de números aleatorios generados a partir de


la distribución especificada. El tamaño del conjunto se determina en la caja de diálogo de las
Opciones de Ventana para la ventana Números Aleatorios.

Definiciones

STATGRAPHICS genera resultados para 45 diferentes distribuciones de probabilidad, 7 para


variables aleatorias discretas y las otras 38 para variables aleatorias continuas. Cada una de las
distribuciones tiene 1 o más parámetros, que son o especificados por el usuario o estimados a
partir de la muestra de datos.

Distribución Bernoulli
Rango de X: 0 o 1
Uso común: representación de un evento con 2 posibles resultados. En las siguientes distribuciones, el resultado principal se
clasificará como un “éxito”.

PMF: p ( x) = p x (1 − p) 1− x

© 2005 por StatPoint, Inc. Distribuciones de Probabilidad - 11


STATGRAPHICS – Rev. 4/25/2007
Parámetros: probabilidad del éxito 0 ≤ p ≤1
Media: p
Varianza: p(1-p)

Distribución Binomial
Rango de X: 0, 1, 2, …, n
Uso común: distribución del número de éxitos en una muestra de n ensayos Bernoulli independientes. Comúnmente usada para
número de defectos en una muestra de tamaño n.

⎛ n⎞
PMF: p( x) = ⎜⎜ ⎟⎟ p x (1 − p ) n − x
⎝ x⎠
Parámetros: probabilidad del éxito 0 ≤ p ≤1, número de ensayos n ≥ 1.
Media: np
Varianza: np(1-p)

Distribución Binomial Negativa (Pascal)


Rango de X: 0, 1, 2, …
Uso común: tiempo de espera hasta que ocurran k éxitos en una secuencia de ensayos Bernoulli independientes. Número de
artículos buenos inspeccionados antes de encontrar el k-ésimo defecto.

⎛ x + k − 1⎞ k
PMF: p( x) = ⎜⎜ ⎟⎟ p (1 − p) x
⎝ x ⎠
Parámetros: probabilidad del éxito p, número de éxitos k

Media: k
(1 − p )
p

Varianza:
k (1 − p)
p2
NOTA: la definición de esta distribución ha cambiado a partir de versiones previas. Las versiones anteriores incluían a k como
parte de la definición de la variable aleatoria, de manera que el Rango de X era k o mayor en vez de 0 o mayor. El cambio se
hizo para permitir a la distribución binomial negativa ser usada con mayor facilidad como modelo para datos de conteos
sobredispersos, i.e, datos enteros donde la varianza excede a la media.

Distribución Geométrica
Rango de X: 0, 1, 2, …
Uso común: tiempo de espera hasta que ocurra el primer éxito en una secuencia de ensayos Bernoulli independientes. Número
de artículos inspeccionados antes de encontrar el primer defecto.

PMF: p( x) = p(1 − p) x
Parámetros: probabilidad del éxito 0 ≤ p ≤1

Media:
1− p
p

Varianza:
1− p
p2

Distribución Hipergeométrica
Rango de X: max(0,n-m), 1, 2, …, min(m,n)
Uso común: número de artículos de un tipo dado seleccionados de una población finita con dos tipos de artículos, tales como
buenos y malos. Muestreo de aceptación a partir de lotes de tamaño fijo.

© 2005 por StatPoint, Inc. Distribuciones de Probabilidad - 12


STATGRAPHICS – Rev. 4/25/2007
⎛ m ⎞⎛ N − m ⎞
⎜⎜ ⎟⎟⎜⎜ ⎟⎟
⎝ x ⎠⎝ n − x ⎠
PMF: p ( x) =
⎛N⎞
⎜⎜ ⎟⎟
⎝n ⎠
Parámetros: tamaño de la población N, número de artículos 0 ≤ m ≤ N, tamaño de la muestra n
mn
Media:
N

( )( )(
mn
N
1−
m
N
N −n)
Varianza: ( N −1)

Distribución Poisson
Rango de X: 0, 1, 2, …
Uso común: número de eventos ocurridos en un intervalo de tamaño fijo cuando los eventos ocurren independientemente.
Modelo común para número de defectos por unidad.

λ x e −λ
PMF: p( x) =
x!
Parámetros: media λ > 0
Media: λ
Varianza: λ

Distribución Uniforme Discreta


Rango de X: a, a+1, a+2, …, b
Uso común: distribución de una variable de valor entero con límites superior e inferior.
1
PMF: p( x) =
b − a +1
Parámetros: límite inferior a, límite superior b ≥ a.
a+b
Media:
2
(b − a + 1) 2 − 1
Varianza:
12

Distribución Beta
Rango de X: 0 ≤ X ≤ 1
Uso común: distribución de una proporción aleatoria.

x α1 −1 (1 − x)α 2 −1
PDF: f ( x) =
B(α 1 ,α 2 )
Parámetros: forma α1 > 0, forma α2 > 0

α1
Media:
α1 + α 2
Varianza: α1α 2
(α1 + α 2 ) (α1 + α 2 + 1)2
2

Distribución Beta (4 parámetros)


Rango de X: a ≤ X ≤ b

© 2005 por StatPoint, Inc. Distribuciones de Probabilidad - 13


STATGRAPHICS – Rev. 4/25/2007
Uso común: modelo para una variable con ambos límites inferior y superior. Frecuentemente usada como una distribución
previa para análisis Bayesiano.

( x − a)α1 −1 (b − x)α 2 −1
PDF: f ( x) =
B(α 1 , α 2 )(b − a )α1 +α 2 −1
Parámetro: forma α1 > 0, forma α2 > 0, límite inferior a, límite superior b > a

bα 1
Media: a+
α1 + α 2
Varianza: α1α 2 (b − a )2
(α1 + α 2 )2 (α1 + α 2 + 1)2

Distribución Birnbaum-Saunders
Rango de X: X > 0
Uso común: modelo para el número de ciclos necesarios para que una fisura crezca a un tamaño para que ocurra una fractura.

x θ
+
θ x ⎛⎜ 1 ⎛⎜ x θ ⎞⎟ ⎞⎟
f ( x) = φ ⎜ − donde φ(z) es la pdf normal estándar
x ⎟⎠ ⎟⎠
PDF:
2 βx ⎜β θ
⎝ ⎝
Parámetros: forma β > 0, escala θ > 0

⎛ β2⎞
θ ⎜⎜1 + ⎟
2 ⎟⎠
Media:

⎛ 5β 2 ⎞
(θβ ) ⎜⎜1 +
2

4 ⎟⎠
Varianza:

Distribución Cauchy
Rango de X: todas las X reales
Uso común: modelo para datos de mediciones con colas más largas y aplanadas que la distribución normal.

PDF:
f ( x) =
1
πβ
[( ) ]
x −θ 2
β
+1
−1

Parámetros: moda θ, escala β > 0


Media: no definida
Varianza: no definida

Distribución Chi-Cuadrada
Rango de X: X ≥ 0
2
Uso común: distribución de la varianza muestral s de una población normal.

x (v −2) / 2 e − x / 2
PDF: f ( x) =
⎛v⎞
2 v / 2 Γ⎜ ⎟
⎝ 2⎠
Parámetros: grados de libertad ν > 0
Media: ν
Varianza: 2ν

Distribución Chi-Cuadrada No Central


Rango de X: X ≥ 0

© 2005 por StatPoint, Inc. Distribuciones de Probabilidad - 14


STATGRAPHICS – Rev. 4/25/2007
Uso común: usada para calcular la potencia de una prueba chi-cuadrada.

xν / 2+ j −1e − x / 2
∞ j
1 ⎛c⎞
f ( x) = ∑ ⎜ ⎟ e −c / 2 ν / 2+ j
Γ(ν / 2 + j )
PDF:
j = 0 j! ⎝ 2 ⎠ 2
Parámetros: grados de libertad ν > 0, no centralidad c ≥ 0
Media: ν +c
Varianza: 2(ν + 2c )

Distribución Erlang
Rango de X: X ≥ 0
Uso común: longitud del tiempo antes de α llegadas en un proceso Poisson.

λα x α −1 e − λx
PDF: f ( x) =
Γ(α )
Parámetros: entero forma α ≥ 1, escala λ > 0

α
Media:
λ
α
Varianza:
λ2

Distribución Exponencial
Rango de X: X > 0
Uso común: tiempo entre llegadas consecutivas en un proceso Poisson. Tiempo de falla de artículos con una tasa de riesgo
constante.

PDF: f ( x) = λe − λx
Parámetros: media λ > 0

1
Media:
λ
1
Varianza:
λ2

Distribución Exponencial (2 parámetros)


Rango de X: X > θ
Uso común: modelo para tiempos de falla con un límite inferior.

PDF: f ( x) = λe − λ ( x −θ )
Parámetros: umbral θ, escala λ > 0

1
Media: θ+
λ
1
Varianza:
λ2

Distribución Exponencial Potencia


Rango de X: todas las X reales
Uso común: distribución simétrica con parámetro que controla la curtosis. Casos especiales incluyen a las distribuciones normal
y Laplace.

© 2005 por StatPoint, Inc. Distribuciones de Probabilidad - 15


STATGRAPHICS – Rev. 4/25/2007
2 /(1+ β )
1 ⎛ 1 x−μ ⎞
PDF: f ( x) = exp⎜ − ⎟
⎛ 1 + β ⎞ 1+ (1+ β ) / 2 ⎜ 2 φ ⎟
Γ ⎜1 + ⎟2 φ ⎝ ⎠
⎝ 2 ⎠
Parámetros: media μ, forma β ≥ -1, escala φ > 0
Media: μ

⎧ ⎡3 ⎤⎫
⎪⎪ Γ ⎢ 2 (1 + β )⎥ ⎪⎪
Varianza: 2 (1+ β ) ⎨ ⎣ ⎦ φ2

⎪ Γ ⎡ 1 (1 + β )⎤ ⎪
⎢ ⎥⎦ ⎪
⎩⎪ ⎣ 2 ⎭

Distribución F
Rango de X: X ≥ 0
Uso común: distribución del cociente de dos varianzas independientes estimadas a partir de una población normal.

Γ( )
v + w v / 2 w / 2 (v − 2) / 2
v w x

( ) ( )(
2
f ( x) =
PDF: v w ( v + w) / 2
Γ Γ w + vx )
2 2
Parámetros: grados de libertad del numerador v > 0, grados de libertad del denominador w > 0

w
Media: si w > 2
w−2
2 w2 ( v + w− 2 )
Varianza: si w > 4
v ( w− 2 ) 2 ( w− 4 )

Distribución F No Central
Rango de X: X ≥ 0
Uso común: usada para calcular la potencia de una prueba F.

1 ⎛ c ⎞ −c / 2 (v / w)
∞ j v / 2+ j − (( v + w ) / 2 + j )
⎛ v ⎞
f ( x) = ∑ ⎜ ⎟ e ⎜1 + x ⎟
B(v / 2 + j , w / 2) ⎝ w ⎠
PDF:
j =0 j! ⎝ 2 ⎠
Parámetros: grados de libertad del numerador v > 0, grados de libertad del denominador w > 0, no centralidad c > 0

Media:
w(v + c ) si w > 2
v(w − 2)

Varianza: ⎛ w⎞
2⎜ ⎟
2
(v + c )2 + (v + 2c )(w − 2) si w > 4
⎝v⎠ (w − 2)2 (w − 4)

Distribución Gamma
Rango de X: X ≥ 0
Uso común: modelo para medidas sesgadas positivamente. Tiempo para completar una tares, tal como una reparación.

λα x α −1 e − λx
f ( x) =
Γ(α )
PDF:

Parámetros: forma α >0, escala λ > 0

α
Media:
λ
© 2005 por StatPoint, Inc. Distribuciones de Probabilidad - 16
STATGRAPHICS – Rev. 4/25/2007
α
Varianza:
λ2

Distribución Gamma (3 parámetros)


Rango de X: X ≥ θ
Uso común: modelo para datos sesgados positivamente con un límite inferior fijo.

λα x α −1e − λ ( x −θ )
f ( x) =
Γ(α )
PDF:

Parámetros: forma α >0, escala λ > 0, umbral θ

α
Media: θ+
λ
α
Varianza:
λ2

Distribución Gamma Generalizada


Rango de X: X > 0
Uso común: distribución general que contiene a las distribuciones exponencial, gamma, Weibull, y lognormal como casos
especiales.

λ 1 ⎡ w ln (λ−2 ) ⎤
f ( x) = ⎢ + − exp(λw + ln(λ− 2 ))⎥
σx Γ(λ ) ⎣ λ
PDF: exp
−2
λ 2

donde w = [log(x) – μ] / σ.
Parámetros: localización μ, escala σ > 0, forma λ > 0

⎛σ ⎞
Γ⎜ + λ − 2 ⎟
⎡ σ ⎤ λ
exp ⎢ μ + ln(λ− 2 )⎥ ⎝ ⎠
Media:
⎣ λ ⎦ Γλ
−2
( )
⎡ ⎛ 2σ −2 ⎞ 2 ⎛ 2σ −2 ⎞ ⎤

σ
2 ⎢ Γ⎜ λ + λ ⎟ Γ ⎜ λ + λ ⎟ ⎥
⎡ ⎤ ⎢ ⎝ ⎠− ⎝ ⎠⎥
exp ⎢ μ + ln(λ− 2 )⎥
Varianza:
⎣ λ ⎦ ⎢ Γλ ( )
−2
Γ λ
2 −2
( )

⎢ ⎥
⎣ ⎦

Distribución Gaussiana Inversa


Rango de X: X > 0
Uso común: tiempo de la primer travesía en el movimiento Browniano.

1 β ⎡ ⎛ e z − 1 ⎞⎤
PDF: f ( x) = φ ⎢ β ⎜⎜ z / 2 ⎟⎟⎥ donde z = ln(x/θ)
x exp(z / 2) ⎣ ⎝ e ⎠⎦
Parámetros: media θ > 0, escala β > 0
Media: θ

θ2
Varianza:
β

Distribución Laplace (Doble Exponencial)


Rango de X: todas las X reales
Uso común: distribución simétrica con un pico pronunciado y largas colas.

© 2005 por StatPoint, Inc. Distribuciones de Probabilidad - 17


STATGRAPHICS – Rev. 4/25/2007
λ −λ x − μ
PDF: f ( x) = e
2
Parámetros: media μ, escala λ > 0
Media: μ

2
Varianza:
λ2

Distribución Logística
Rango de X: todas las X reales
Uso común: usada como modelo para crecimiento y como una alternativa a la distribución normal.

1 exp(z ) x−μ
PDF: f ( x) = donde z=
σ [1 + exp(z )]2 σ
Parámetros: media μ, desviación estándar σ > 0
Media: μ
Varianza: σ2

Distribución Logística Generalizada


Rango de X: todas las X reales
Uso común: usada para el análisis de valores extremos. Puede ser sesgada o a la izquierda o a la derecha, dependiendo del
parámetro de forma.

γ exp(− ( x − μ ) / κ )
f ( x) =
κ [1 + exp(− ( x − μ ) / κ )]1+γ
PDF:

Parámetros: localización μ, escala κ > 0, forma γ > 0

Media: μ + [0.5226 + Ψ (γ )]κ donde Ψ(z) es la función digamma

⎡π 2 ⎤
Varianza: ⎢ + Ψ ' (γ )⎥κ 2
⎣ 6 ⎦

Distribución Loglogística
Rango de X: X > 0
Uso común: usada para datos donde los logaritmos siguen una distribución logística.

1 exp(z ) ln( x) − μ
f ( x) = z=
σx [1 + exp(z )]2
PDF: donde
σ
Parámetros: mediana exp(μ), escala σ > 0

Media: exp(μ )Γ(1 + σ )Γ(1 − σ )


Varianza: [
exp(2μ ) Γ(1 + 2σ )Γ(1 − 2σ ) − Γ 2 (1 + σ )Γ 2 (1 − σ ) ]
Distribución Loglogística (3 parámetros)
Rango de X: X > θ
Uso común: usada para datos donde los logaritmos siguen una distribución logística después de restar un valor umbral.

1 exp(z ) ln( x − θ ) − μ
f ( x) = z=
σx [1 + exp(z )]2
PDF: donde
σ
Parámetros: mediana exp(μ), escala σ > 0, umbral θ

Media: θ + exp(μ )Γ(1 + σ )Γ(1 − σ )

© 2005 por StatPoint, Inc. Distribuciones de Probabilidad - 18


STATGRAPHICS – Rev. 4/25/2007
Varianza: [
exp(2μ ) Γ(1 + 2σ )Γ(1 − 2σ ) − Γ (1 + σ )Γ (1 − σ ) 2 2
]
Distribución Lognormal
Rango de X: X > 0
Uso común: usada para datos donde los logaritmos siguen una distribución normal.
(ln x − μ )2
1 −
PDF: f ( x) = e 2σ 2

x 2π σ
Parámetros: localización μ, escala σ > 0

e μ +σ
2
/2
Media:

Varianza: e2μ +σ eσ − 1
2
( 2
)
Distribución Lognormal (3 parámetros)
Rango de X: X > θ
Uso común: usada para datos donde los logaritmos siguen una distribución normal después de restar un valor umbral.
(ln ( x −θ )− μ )2
1 −
PDF: f ( x) = e 2σ 2

( x − θ ) 2π σ
Parámetros: localización μ, escala σ > 0, umbral θ

θ + e μ +σ
2
/2
Media:

Varianza: e 2μ +σ eσ − 1
2
( 2
)
Distribución Maxwell
Rango de X: X > θ
Uso común: la velocidad de una molécula en un gas ideal.

2 (x − θ ) ⎡ 1 ⎛ x − θ ⎞2 ⎤
2
PDF: f ( x) = exp ⎢− ⎜⎜ ⎟⎟ ⎥
π β3 ⎢⎣ 2 ⎝ β ⎠ ⎥⎦
Parámetros: escala β > 0, umbral θ

Media: θ +β 8/ π
Varianza: β 2 (3 − 8 / π )

Distribución Mitad Normal


Rango de X: X ≥ μ
Uso común: distribución normal doblada por su media.

1 2 ⎛ 1 ⎛ x − μ ⎞2 ⎞
f ( x) = exp⎜ − ⎜ ⎟
⎜ 2 ⎝ σ ⎟⎠ ⎟
PDF:
σ π ⎝ ⎠
Parámetros: escala σ > 0, umbral μ

2
Media: μ+ σ
π
⎛ 2⎞
Varianza: σ 2 ⎜1 − ⎟
⎝ π⎠

Distribución Normal

© 2005 por StatPoint, Inc. Distribuciones de Probabilidad - 19


STATGRAPHICS – Rev. 4/25/2007
Rango de X: todas las X reales
Uso común: ampliamente usada para datos de mediciones, particularmente cuando la variabilidad tiene muchos orígenes.
( x − μ )2
1 −
PDF: f ( x) = e 2σ 2

2π σ
Parámetros: media μ, desviación estándar σ > 0
Media: μ
Varianza: σ2

Distribución Normal Plegada


Rango de X: X ≥ 0
Uso común: valores absolutos de datos que siguen una distribución normal.
x2 +μ 2
1 2 ⎛ μx ⎞ −
PDF: f ( x) = cosh⎜ 2 ⎟e 2σ 2
σ π ⎝σ ⎠
Parámetros: localización μ > 0, escala σ ≥ 0

2 ⎛ μ2 ⎞ ⎛μ⎞
Media: σ exp⎜⎜ − ⎟ − μ 1 − 2Φ⎜ ⎟
2 ⎟
donde Φ(z) es una cdf normal estándar
π ⎝ 2σ ⎠ ⎝σ ⎠
2
⎡ 2 ⎛ μ2 ⎞ ⎛ μ ⎞ ⎤
Varianza: μ + σ − ⎢σ
2
exp⎜⎜ −
2
⎟ + erf ⎜⎜
2 ⎟
⎟⎟ μ ⎥
⎣ π ⎝ 2σ ⎠ ⎝ 2σ ⎠ ⎦

Distribución Pareto
Rango de X:X ≥ 1
Uso común: modelo para muchas cantidades socio-económicas con colas superiores muy largas.

PDF: f ( x) = cx − c −1
Parámetros: forma c > 0

c
Media: si c > 1
c −1
Varianza:
c si c > 2
(c − 2)(c − 1)2

Distribución Pareto (2 parámetros)


Rango de X:X ≥ θ
Uso común: distribución de cantidades socio-económicas con un límite inferior.

PDF: f ( x) = cθ c x − c −1
Parámetros: forma c >0, umbral θ ≥ 0

θc
Media: si c > 1
c −1
θ 2c
(c − 2)(c − 1)2
Varianza: si c > 2

Distribución Rayleigh
Rango de X:X > θ
Uso común: la distancia entre artículos inmediatos en un patrón generado por un proceso Poisson.

© 2005 por StatPoint, Inc. Distribuciones de Probabilidad - 20


STATGRAPHICS – Rev. 4/25/2007
2 ⎛ x −θ ⎞ ⎡ ⎛ x −θ ⎞
2 2

PDF: f ( x) = ⎜⎜ ⎟⎟ exp ⎢− ⎜⎜ ⎟⎟ ⎥
x −θ ⎝ β ⎠ ⎢⎣ ⎝ β ⎠ ⎥⎦
Parámetros: escala β > 0, umbral θ

Media: θ + β π /2
Varianza: β 2 (1 − π / 4)

Distribución t de Student
Rango de X: todas las X reales
Uso común: distribución de referencia para la media muestral cuando se muestrea de una población normal con varianza
desconocida.

( )[ ]
− ( v +1) / 2
v +1 x2
Γ 1+

()
2 v
PDF: f ( x ) = v
πvΓ
2
Parámetros: grados de libertad v ≥ 1
Media: 0

v
Varianza: si ν > 2
v−2

Distribución t No Central
Rango de X: todas las X reales
Uso común: usada para calcular la potencia de una prueba t.

Γ[(ν + j + 1) / 2] x j
− (ν + j +1) / 2

( ) ⎛ x2 ⎞
∞ j
1
f ( x) = ∑ c 2 e −c / 2 ⎜⎜1 + ⎟⎟
2

Γ(ν / 2 )Γ(1 / 2 ) ν ( j +1) / 2


PDF:
j = 0 j! ⎝ ν ⎠
Parámetros: grados de libertad ν > 0, no centralidad c ≥ 0

(ν / 2)1 / 2 Γ[(ν − 1) / 2] c
Γ(ν / 2)
Media:

1 / 2 Γ[(ν − 1) / 2] ⎫
2
ν ⎧
Varianza:
ν −2
(
1 + c − ⎨(ν / 2) 2
)
Γ(ν / 2) ⎭
c⎬

Distribución Triangular
Rango de X: a ≤ X ≤ b
Uso común: frecuentemente usada como un primer modelo en ausencia de datos.

2( x −a )
f ( x) = ,x ≤ c
( b − a )( c − a )
PDF: 2(b− x )
f ( x) = ,x ≥ c
( b − a )( b − c )
Parámetros: límite inferior a, moda c≥a, límite superior b≥c

a+b+c
Media:
3

a 2 + b 2 + c 2 − ab − ac − bc
Varianza: 18

© 2005 por StatPoint, Inc. Distribuciones de Probabilidad - 21


STATGRAPHICS – Rev. 4/25/2007
Distribución Uniforme
Rango de X: a ≤ X ≤ b
Uso común: modelo para una variable con igual probabilidad de caer en cualquier intervalo del mismo tamaño.

1
PDF: f ( x) =
b−a
Parámetros: límite inferior a, límite superior b≥a

a+b
Media:
2

Varianza:
(b − a )2
12

Distribución Valor Extremo Máximo


Rango de X: todas las X reales
Uso común: distribución del valor máximo en una muestra de muchas distribuciones. También usada para datos de medidas

{ ( )}
sesgadas positivamente.

1 ⎛ x −α ⎞ x −a
f ( x) = exp −⎜⎜ ⎟⎟−exp −
PDF: β ⎝ β ⎠ β
Parámetros:
Media: α+βΓ−1(1)

β 2π 2
Varianza:
6

Distribución Valor Extremo Mínimo


Rango de X: todas las X reales
Uso común: distribución del valor mínimo en una muestra de muchas distribuciones. También usada para datos de medidas

{ ( )}
sesgadas negativamente.

1 ⎛ x −α ⎞ x−a
f ( x) = exp ⎜⎜ ⎟⎟ − exp
PDF: β ⎝ β ⎠ β
Parámetros: moda α, escala β > 0
Media: α−βΓ−1(1)

β 2π 2
Varianza:
6

Distribución Weibull
Rango de X: X ≥ 0
Uso común: ampliamente usada en análisis de confiabilidad para modelar tiempos de falla de productos.

α α −1 −( x / β )α
PDF: f ( x) = x e
βα
Parámetros: forma α > 0, escala β > 0

β ⎛1⎞
Media: Γ⎜ ⎟
α ⎝α ⎠
β2
Varianza: α
[
2Γ ( ) ( )]
2
α
1
− Γ
α α
1 2

© 2005 por StatPoint, Inc. Distribuciones de Probabilidad - 22


STATGRAPHICS – Rev. 4/25/2007
Distribución Weibull (3 parámetros)
Rango de X: X ≥ θ
Uso común: usada para tiempos de falla de productos con un límite inferior.

α
PDF: f ( x) = α
(x − θ )α −1 exp[− (x − θ ) / β ]α
β
Parámetros: forma α > 0, escala β > 0, umbral θ

β ⎛1⎞
Media: θ+ Γ⎜ ⎟
α ⎝α ⎠
β2
Varianza: α
[
2Γ ( ) ( )]
2
α
1
− Γ
α
1 2
α

© 2005 por StatPoint, Inc. Distribuciones de Probabilidad - 23