Función de Esperanza

Función de probabilidad Varianza

distribución matemática o
Distribución Definición
f (x) ¿ P(X =x i) F (x)=P( X ≤ x i) media
V[X]
E[X]
Uniforme,
Variable que puede tomar n valores 1 k
xi k
( x i−μ)2
U(1/k)
distintos con la misma 1/k ∑x
k i i ∑ K
∑ k
probabilidad cada uno de ellos. i=1 i=1
Experimento aleatorio que sólo
Bernoulli,
B(p)
admite dos resultados excluyentes p x (1− p)1− x p pq
(éxito y fracaso).
Binomial, Número de éxitos en n pruebas
n p x (1− p)n−x
b(n, p)
n=número de prueba
independientes de un experimento
con probabilidad de éxito ()
x
∑ (ni ) p i q n−i np npq
i≤ x
p=probabilidad de éxito constante.
Binomial negativa o
pascal,
BN(k, p)
Número de fracasos antes de ( x−1
k−1 )
p q k x−k
k (1−p) k (1−p)
obtener el r-ésimo éxito.
k=número de éxitos k – 1 éxitos y p p2
p=probabilidad de éxito x – k fracasos en cualquier orden
Geométrica,
Número de fracasos antes de 1 1− p
g(p)
obtener un éxito por primera vez. p q x−1
p=probabilidad de éxito p p2
Multinomial,
M(n, p)
Número de veces que ocurren m
n=número de pruebas
m=resultados posibles
p=probabilidad del suceso
sucesos disjuntos en n pruebas
independientes.
( x 1, x 2n, … , xk ) p x1
1 p2x … p xk
2 k
n pi n pi qi

Hipergeométrica,
h(N, n, k) Número de éxitos en una muestra
( kx )( N−k
n−x )
nk N −n k k
N=tamaño de la
población
n=número de pruebas
de tamaño n, extraída sin
reemplazo de una población de
tamaño N que contiene k éxitos.
( Nn ) N N−1
. n.
N
1−
N ( )
k=número de éxitos k éxitos
N-k fracasos
Número de ocurrencias de un
Poisson, p( λ ¿ evento "raro" o poco frecuente en λ x e− λ e− λ λr
λ =tasa de ocurrencia un intervalo o espacio continuo de x! ∑ r! λ λ
r≤ x
tiempo
 Función de
Función de densidad
Distribución Observación Parámetros distribución Valores característicos
f (x) ¿ P(X =x i) F ( x )=P ( X ≤ x )
A+ B
μ=
2
B
Md = μ
Surge al considerar una
Uniforme,
variable aleatoria que
A = Mínimo 1 ∫ f ( x ) dx Mo = [A, B]
toma valores A≤ x≤B A
U(A, B)
equiprobables en un
B =Máximo B− A O bien sea ( B− A )2
σ 2=
intervalo finito. ( X − A)/¿, 12
A=0
K = -6/5
Es la piedra angular en
la aplicación de la
Inferencia Estadística en μ = Media (posición μ= Md=Mo
el análisis de datos,
de la campana) ∞
Normal, puesto que las
σ = Desviación 1
−1
2
(x−μ )
2

∫ f ( x ) dx σ 2=σ 2
N( μ , σ )
distribuciones de e 2σ −∞ < x< ∞
muchos estadísticos estándar (grado de σ √2 π −∞ A=0
muestrales tienden a la apuntamiento de la
K=0
distribución normal curva)
cuando el tamaño de la
muestra crece.
x2
Normal −x
2
μ=0
estándar,
1
e 2
−∞< z< ∞ ∫ f ( x ) dx
N(0,1) √ π
2 x1 σ 2=1
Aproximación μ=np
normal a las X−np
Z=
probabilidades √ npq σ 2=npq
binomial
Aproximación X−λ μ= λ
normal a la Z=
probabilidad √λ σ 2=λ
 Poisson

Función de
Función de densidad
Distribución Observación Parámetros distribución Valores característicos
f (x) ¿ P(X =x i) F ( x )=P ( X ≤ x )
Tiene muchas
aplicaciones a
μ=αβ
experimentos o
fenómenos aleatorios 1
−x No tiene mediana
que tienen asociadas x α −1 e β si x ≥ 0
α
β Γ (α ) 1−σ
variables aleatorias que ∞
Mo=
Gamma, G( siempre son no α =Forma > 0 α >0 , β> 0 ∫ f ( x ) dx σβ
α , β) negativas y cuyas β = Escala > 0 Función gamma 0
distribuciones son ∞ σ 2=αβ 2
sesgadas a la derecha, Γ ( α )=∫ x α−1 e− x dx α >0 A=2 √α
es decir, el área bajo la 0
función de densidad K=6 α
disminuye a medida que
nos alejamos del origen.
μ= β
−x
β Md= βLn2
1−e x ≥0
Moda no definida
Exponencial, E β=1/ λ 1 −x / β
e x>0 ∞
(β) λ = tasa β σ 2=β 2
∫ f ( x ) dx
0 A=2
K=6
Relación con la μ=1/ λ
− λt − λx
distribución e 1-e
Poisson σ 2=1/ λ2
Beta, B(α , β) Tiene muchas α = Forma Γ ( α + β ) α−1 1
α
aplicaciones a x ( 1−x )β −1 ∫ f ( x ) dx μ=
β = Forma Γ (α) Γ ( β ) α +β
experimentos o 0
fenómenos aleatorios También se representa α −1
que tienen asociadas Mo=
α + β−2
variables aleatorias que
 αβ
1 σ 2=
x α −1 ( 1−x ) β−1 2
( σ + β ) ( α+ β+1 )
B (α , β )
representen 2( β −α ) √ α + β +1
proporciones (valores 0< x <1 , α , β> 0 A=
entre cero y uno).
(α + β +2) √ αβ
1
Γ (α + β)
B ( α , β )=∫ x α −1 ( 1−x )β −1 dx= β >0 α (+1 )( α −2 α )+ β( β +1)( β−2 β)
, para α , K=6
0 Γ (α ) Γ ( β ) αβ (α + β+ 2)( α + β +3)
Distribución Observación Parámetros Función de densidad Función de Valores característicos
f (x) ¿ P(X =x i) distribución
F ( x )=P ( X ≤ x )
μ=ν
v x Mo=ν−2 ν >0
γ( , )
2 2
1 F v ( x )= σ 2=2 ν
Se utiliza como prueba x ν /2−1 −x/ 2
e x >0 v
Chi-Cuadrado,
v = Grados de libertad v Γ( )
ν/ 2
2 8
X2(v) de bondad de ajuste 2 Γ( )
2 γ ( v , z ) es la
función
A=
√ ν
gamma incompleta 12
K=
ν
2
Relación con la 2 ( n−1) S 2 ∑ (Xi− X́ )
varianza χ= =
σ2 σ2

α
μ= β Γ 1+ ( α1 )
Se ha usado como x
Me=β (ln 2)1/ α
−( )
β
modelo para tiempo de x
α e
Weibull, W( fallo para una amplia α = Forma α α −1
−
β ( ) α −1 1/ α
x e si x ≥0
α , β) variedad de
componentes mecánicos
β = Escala βα
∞

∫ f ( x ) dx
Mo=β
α ( )
y eléctricos. 0
σ 2=β 2 [Γ ( 1+2/α )−Γ ( 1+1/ α )2 ]
A y K se indican abajo.
A=
Γ3 ( 1α + 1)−3 Γ ( 1α +1) Γ ( α2 +1)+ Γ ( α3 +1)
3 /2

[ Γ ( α2 +1)−Γ ( α1 +1)]
2

K=
−6 Γ 4 ( α1 +1)+ 12 Γ ( α1 +1) Γ ( α2 +1)−3 Γ ( α2 +1)−4 Γ ( α1 +1) Γ ( 3α +1)+ Γ ( 4α +1)
2 2

[ Γ ( 2α + 1)−Γ ( 1α +1)]
2

P( X > x)=1 – P( X ≤ x)