DISTRIBUCIONES DISCRETAS DE PROBABILIDAD

FUNCION DE MASA o PARAME

DISTRIBUCION DESCRIPCION PROBABILIDAD TROS E(X) Var ( X )
UNIFORME X tiene una distribución uniforme discreta si toma sólo un número finito k de 1 k 1 k
2 1
DISCRETA valores posibles x1, x2, ..., xk, cada uno con la misma probabilidad 1/k p X ( x; k )  si x = x1, x2, ..., xk k  xi  x i  E( X) 2
k i 1 k i 1 k
Caso Particular: X asume los valores 1, 2, 3, ..., k con probabilidades iguales k 1
UNIFORME 1 k2 1
DISCRETA SOBRE
p X ( x; k )  si x = 1, 2, 3, …, k k 2
k 12
LOS ENTEROS
BERNOULLI Una experiencia dicotómica es un experimento en el que solo hay dos
resultados posibles a los que llamamos Éxito y Fracaso.
Llamamos una variable Bernoullí a aquella que describe el resultado que se pX(x ; p) = p si x= 1
obtiene al realizar el experimento. Tiene solo dos resultados posibles: 1 si se = 1-p si x= 0
p p p (1 – p)
presenta éxito y 0 si se presenta fracaso. p = P(Éxito). Se denota con q = 1 – p
= P(Fracaso)
BINOMIAL X cuenta “ número de éxitos en n pruebas independientes, donde en cada n
pX(x ;n, p)=   p (1- p)
x n- x
prueba hay dos resultados posibles: éxito y fracaso y la probabilidad de éxito
x  n p (1- p)
se mantiene constante en las n pruebas. Se selecciona Con Reemplazo. n, p np
p es la probabilidad de éxito en una prueba. si x = 0, 1, 2, 3, ..., n

HIPERGEOMETRICA X “número de éxitos en un experimento hipergeométrico”  A  N - A 

Experimento hipergeométrico es uno que posee las siguientes dos   
pX (x; A, N, n) =  x  n - x 
propiedades:
1) Se selecciona Sin Reemplazo una muestra al azar de tamaño n de un  N
A, N, n n
A n A 1  A  N  n 
  N  N  N  1 
total de N artículos. n N
2) A de los N artículos se pueden clasificar como éxitos y N – A se clasifican Máx {0, n – (N – A)}  x  mín {n, A}
como fracasos.
POISSON X “ mide el Nº de resultados (eventos) que ocurren en un intervalo de tiempo
e (  )x
dado t, (o en una región especifica t)” pX (x;  ) = =t  
: número promedio de eventos por unidad de tiempo. x!
 : número promedio de eventos en un intervalo de amplitud t. para x = 0, 1, 2, 3, ...
GEOMETRICA X cuenta el “Número de intentos hasta la ocurrencia del primer éxito” pX(x; p) = p(1-p)x - 1 1 (1  p)
Parámetro: p = P(ÉXITO en un intento) p
si x = 1, 2, 3, ... p p2
BINOMIAL Generalización de la distribución geométrica, donde la variable aleatoria X es
pX(x; p) =  x  1 (1-p) p r r(1  p)
x-r r
NEGATIVA el “número de ensayos independientes de Bernoullí necesarios para obtener r  r  1 r, p
  p p2
éxitos”.
si x = r, r+1, r+2, ...
Parámetro: p = P(ÉXITO en un intento)

CATEDRA PROBABILIDADES Y ESTADISTICA – MAYO de 2020

 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
FUNCION DE DENSIDAD DE PARAME
DISTRIBUCION DESCRIPCION PROBABILIDAD TROS E(X) Var ( X )
RECTANGULAR X es una variable aleatoria continua que toma todos los valores en el 1
o UNIFORME EN fX(x; a, b) = si a  x  b ab (b  a) 2
intervalo [a, b], donde ambos extremos a y b son finitos. ba
EL INTERVALO X es el resultado de un experimento que a menudo se describe diciendo que
a, b
2 12
[a, b] “ se selecciona al azar un punto del intervalo [a, b]”
NORMAL X tiene distribución normal con media  y varianza 2 1  x  
2
  
Notación: X  N ( , 2 ) 1 2   
Si = 0 y = 1 se tiene la distribución normal estándar y se la denota por Z. fX(x; ,  ) =
2 e
 2  , 2  2
Estandarización: P X  a; ,  2   PNORMAL ESTANDAR Z  a   
   - < x < 

Aplicaciones: Se usa a menudo para representar la distribución del tiempo

que transcurre antes de la ocurrencia de un evento.
x
Si X tiene distribución exponencial con parámetro , la función de 1 
EXPONENCIAL distribución acumulada es e
fX(x;  ) =

si x  0  >0  2
FX ( x ) = P ( X  x) = 1 - e( x / β) si x  0

ERLANG Aplicaciones: Se utiliza para modelar el tiempo que transcurre hasta que se r x r 1e x
presenten r eventos en un proceso de Poisson. fX(x; , r ) = r,  r r
Nota: La distribución Exponencial es un caso particular de la distribución (r  1)! Recordar
 = 1/
λ λ2
Erlang para r = 1 para x > 0 y r = 1, 2, ...

GAMMA Las distribuciones exponencial y gamma juegan un papel importante en la

teoría de colas y problemas de confiabilidad. Los tiempos entre llegadas en
instalaciones de servicio, y tiempos de falla de partes componentes y 1 >0
fX(x;  ,  ) = x α 1 e  x / β
sistemas eléctricos, a menudo quedan bien modeladas mediante la α
β Γ ( α) >0
distribución exponencial. La relación entre la gamma y la exponencial 
(Recordar  2
permite que la gamma se involucre en tipos de problemas similares. = 1/  )
para x > 0
Nota: La distribución Erlang es un caso particular de la distribución Gamma
para  entero positivo  = r
WEIBULL La distribución Weibull se emplea a menudo para modelar el tiempo que
transcurre hasta presentarse una falla en muchos sistemas físicos β 1 Parámetro
diferentes. Los parámetros de la distribución proporcionan mucha flexibilidad β x  ( x / δ )β de escala
para modelar sistemas en los que el número de fallas aumenta con el
fX(x;  ,  ) =   e 2
δ δ >0  1  2   1 
tiempo (por ejemplo, el desgaste), disminuye con el tiempo (en algunos δ Γ 1   δ 2Γ1    δ 2 Γ1  
parámetro  β  β    β 
semiconductores) o permanece constante (fallas provocadas por causas
externas al sistema).
para x > 0 de forma
β >0
La función de distribución acumulada es FX(x)=P(X x)= 1 - e ( x / δ )

CATEDRA PROBABILIDADES Y ESTADISTICA – MAYO de 2020