UNIVERSIDAD AUTÓNOMA CHAPINGO

DEPARTAMENTO DE INGENIERÍA AGROINDUSTRIAL

2019 – 2020 II Semestre – Estadística

Cuadro 1. Resumen de distribuciones discretas.

Función de Densidad de
Distribución Definición Esperanza Varianza
Probabilidad 𝒇𝑿 (𝒙)
𝑛
Se dice que una v.a. 𝑋 sigue una distribución uniforme en 𝑛 1 1 𝑛
Uniforme 𝑃(𝑋 = 𝑥𝑖 ) = 𝐸(𝑋) = ∑ 𝑥𝑖 1
puntos si toma 𝑛 valores, 𝑥1 , 𝑥2 , … , 𝑥𝑛 , con igual 𝑛 𝑛 𝑉𝑎𝑟(𝑋) = ∑ 𝑥𝑖2 − 𝑥̅ 2
discreta probabilidad.
𝑖=1 𝑛
𝑖 = 1,2, … , 𝑛 𝑖=1
𝐸(𝑋) = 𝑥̅
Si 𝑋 es una v.a. que mide el “número de éxitos”, y se realiza 𝑃(𝑋 = 𝑥) = 𝑝 𝑥 𝑞1−𝑥
Bernoulli un único experimento con dos posibles resultados (éxito o 𝑞 = 1−𝑝 𝐸(𝑋) = 𝑝 𝑉𝑎𝑟(𝑋) = 𝑝𝑞
fracaso), se dice que 𝑋~𝐵𝑒(𝑝). 𝑥 = 0,1
La v.a. 𝑋 que representa el “número de éxitos obtenidos en 𝑛
los 𝑛 ensayos” se dice que sigue una distribución binomial 𝑃(𝑋 = 𝑥) = ( ) 𝑝 𝑥 𝑞 𝑛−𝑥
𝑥
Binomial de parámetros 𝑛 y 𝑝, 𝑋~𝐵(𝑛, 𝑝), siendo 𝑛 el número de veces 𝑞 = 1−𝑝 𝐸(𝑋) = 𝑛𝑝 𝑉𝑎𝑟(𝑋) = 𝑛𝑝𝑞
que se repite el experimento y 𝑝 la probabilidad (constante)
de éxito. 𝑥 = 0,1, … , 𝑛
Sea 𝑋 el número de fracasos hasta obtener de manera exacta
𝑘 éxitos en un experimento binomial, donde la probabilidad 𝑘+𝑥−1 𝑘
Binomial 𝑃(𝑋 = 𝑥) = ( ) 𝑝 (1 − 𝑝) 𝑥 𝑘(1 − 𝑝) 𝑘(1 − 𝑝)
de éxito en cada ensayo es 𝑝. Entonces, se dice que la v.a. 𝑋 𝑥 𝐸(𝑋) = 𝑉𝑎𝑟(𝑋) =
Negativa sigue una distribución binomial negativa con parámetros 𝑘 y 𝑝 𝑝2
𝑥 = 0,1,2, …
𝑝, 𝑋 ~ 𝐵𝑁(𝑘, 𝑝).
Sean 𝑁 el número total de objetos de una población finita, de
𝑘 𝑁−𝑘
forma que 𝑘 de éstos son de un tipo y los 𝑁 − 𝑘 restantes de ( )( )
𝑉𝑎𝑟(𝑋)
otro. Si se selecciona una muestra de la población constituida 𝑃(𝑋 = 𝑥) = 𝑥 𝑛 − 𝑥 𝑛𝑘
Hipergeométrica 𝑁 𝐸(𝑋) = 𝑛𝑘(𝑁 − 𝑘) (𝑁 − 𝑛)
por 𝑛 objetos, la v.a. 𝑋 que representa el “número de objetos ( ) 𝑁 = ∙
𝑛 𝑁2 (𝑁 − 1)
del primer tipo en la muestra” se dice que tiene distribución
hipergeométrica de parámetros 𝑁, 𝑛 y 𝑘, 𝑋 ~ 𝐻(𝑁, 𝑛, 𝑘.
𝑥 = 0,1,2, … , min{𝑛, 𝑘}
Si pruebas independientes repetidas pueden tener como
resultado un éxito con probabilidad 𝑝 y un fracaso con 𝑃(𝑋 = 𝑥) = 𝑝(1 − 𝑝)𝑥−1 1 1−𝑝
Geométrica probabilidad 𝑞 = 1 – 𝑝, entonces la distribución de 𝐸(𝑋) = 𝑉𝑎𝑟(𝑋) =
probabilidad de la v.a. 𝑋, el número de la prueba en el que 𝑥 = 0,1,2, … 𝑝 𝑝2
ocurre el primer éxito 𝑋~𝐺(𝑝)
𝑒 −𝜆 ∙ 𝜆𝑥
𝑃(𝑋 = 𝑥) =
Se dice que una v.a. 𝑋 tiene una distribución Poisson de
𝑥!
𝑥 = 0,1,2, … número de veces que ocurre
Poisson parámetro 𝜆, 𝑋~𝑃(𝜆) cuando puede tomar los valores 𝐸(𝑋) = 𝜆 𝑉𝑎𝑟(𝑋) = 𝜆
el suceso
enteros positivos con la siguiente probabilidad
𝜆 es el número medio de ocurrencias del
suceso por unidad de tiempo o espacio

M.C. Nancy Toriz Robles 1

 UNIVERSIDAD AUTÓNOMA CHAPINGO
DEPARTAMENTO DE INGENIERÍA AGROINDUSTRIAL
2019 – 2020 II Semestre – Estadística

Cuadro 2. Resumen de distribuciones continuas.

Distribución Definición Función de Densidad de Probabilidad Esperanza Varianza
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
1
Uniforme que tome cualquier subintervalo de 𝑎<𝑥<𝑏 𝑎+𝑏 (𝑏 − 𝑎)2
𝑓𝑋 (𝑥) = {𝑏 − 𝑎 𝐸(𝑋) = 𝑉𝑎𝑟(𝑋) =
continua valores es proporcional a la longitud de 2 12
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
dicho subintervalo. Nota: el intervalo de
definición de la distribución uniforme
puede ser abierto, semiabierto o cerrado.
Se dice que una v.a. 𝑋 tiene una
distribución normal de parámetros 𝜇 y 𝜎, 1 −
(𝑥−𝜇)2

Normal 𝑋~𝑁(𝜇, 𝜎). 𝑓𝑋 (𝑥) = {𝜎√2𝜋 𝑒 2𝜎2 −∞ < 𝑥 < ∞ 𝐸(𝑋) = 𝜇 𝑉𝑎𝑟(𝑋) = 𝜎 2
Si 𝜇 = 0 y 𝜎 = 1, se denomina distribución 0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
normal estándar.
Una v.a. 𝑋 2 se genera por la suma de
variables aleatorias independientes normal
1
estándar (𝑍𝑖 ) elevadas al cuadrado. Al 𝑥 𝑣/2−1 𝑒 −𝑥/2 𝑥>0
Chi - 𝑓𝑋 (𝑥) = {2𝑣/2 Γ(v/2)
número de variables independientes en la 𝐸(𝑋) = 𝑣 𝑉𝑎𝑟(𝑋) = 2𝑣
cuadrada 0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
suma se le llama grados de libertad y es el
parámetro de la distribución. Γ es la función gamma

𝑋~𝑋𝑣2 = 𝑍12 + 𝑍22 + ⋯ + 𝑍𝑣2

Sea 𝑍 una v.a. normal estándar y 𝑉 una 𝑣
𝑣+1 −
𝑣+1
v.a. chi cuadrada con 𝑣 grados de libertad. Γ[
2
] 𝑡2 2 𝐸(𝑋) = 0 𝑉𝑎𝑟(𝑋) =
(1 + ) −∞ < 𝑥 < ∞ 𝑣−2
Si 𝑍 y 𝑉 son independientes, entonces: 𝑓𝑇 (𝑡) = 𝑣 𝑣 𝑣>1
t de Student Γ ( ) √𝜋𝑣 𝑣>2
𝑍 2
{ Indefinida para Indefinida para
𝑇~𝑡𝑣 = 0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
otros valores
√𝑉 otros valores
𝑣
Sean 𝑋𝑚2
y 𝑋𝑛2 dos v.a. independientes 𝑛
𝑉𝑎𝑟(𝑋)
distribuidas como chi – cuadrada con m y 𝑚 + 𝑛 𝑚 𝑚/𝑛 𝑚
𝐸(𝑋) = 2𝑛2 (𝑚 + 𝑛 + 2
Γ[
2
]( )
𝑛 𝑓 𝑛 −1 𝑛−2 =
Fisher - n grados de libertad respectivamente. 𝑚 𝑛 𝑚+𝑛 𝑓>0 𝑚(𝑛 − 2)2 (𝑛 − 4)
ℎ𝐹 (𝑓) = Γ( )Γ( ) 𝑛>2
Snedecor Entonces la v.a. F definida como: 2 2 𝑚𝑓 2 𝑛>4
(1 + ) Indefinida para
𝑋𝑚2
/𝑚 𝑛
{ otros valores Indefinida para
𝐹= 0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
2
𝑋𝑛 /𝑛 otros valores

M.C. Nancy Toriz Robles 2