MODELOS PARA VARIABLES ALEATORIAS DISCRETAS

Media
Varianza σ 2 = V [X ]
Espacio
µ = E [X ]
Modelo Utilizado para Función de Cuantía
paramétrico

Modelar variables dicotómicas; es decir, n

p X (x ) =   p x (1 − p ) ; x ∈ {0,1,..., n} p(1 − p )
n− x
Bernoulli que asumen sólo dos estados: Éxito o 0 ≤ p ≤1 p
Fracaso; 0 ó 1, etc.  x

Modelar la cantidad de éxitos en n n  0 ≤ p ≤1

p (x ) =   p x (1 − p ) ; x ∈ {0,1, K , n } np(1 − p ) np(1 − p )
n −x
Binomial ensayos de Bernouilli independientes,
x  n = 1,2,3,...
con probabilidad de éxito constante.

 N1  N 2 
   N = 1,2,K
Modelar la cantidad de artículos de un
 x  n − x  N1 nN1 N 2 ( N1 + N 2 − n )
Hipergeométrico determinado tipo, en una muestra p X (x ) = ; max{0, n − N 2 } ≤ x ≤ min{0, N1} n = 1,2,K, N n
N
(N1 + N 2 = N ) N1 + N 2 (N1 + N 2 )2 (N1 + N 2 − 1)
aleatoria, sin reposición, de tamaño n .  
n

Modelar la cantidad de ensayos 0 < p ≤1 1 q

Geométrico p X ( x ) = q x −1 p; x ∈ {1,2,K}
necesarios para lograr el primer éxito. (q = 1 − p ) p p2

 x − 1 r x − r 0 < p ≤1 r r⋅q
p X ( x ) =   p q ; x ∈ {r , r + 1,K}
Binomial Modelar la cantidad de ensayos
Negativo necesarios para lograr “ r ” éxitos.  r − 1 (q = 1 − p ) p p2

Modelar la cantidad de ocurrencias de un

e − λ λx
Poisson suceso; en un intervalo de tiempo o en p X (x ) = λ>0 λ λ
alguna unidad de espacio. x!

Profesor: Patricio Videla Jiménez.

 MODELOS PARA VARIABLES ALEATORIAS CONTINUAS

Media µ = E [X ] Varianza σ 2 = V [X ]
Espacio
Modelo Función de Densidad
paramétrico

Normal f (x ) =
1
2π σ
[
exp − (x − µ ) 2σ 2 ;−∞ < x < ∞
2
] −∞< µ <∞
σ >0
µ σ2

1 1
Exponencial f (x ) = λe − λx ; x > 0 λ >0
λ λ2

λr λ>0 r r
Gamma f (x ) = x r −1 e − λx ; x > 0
Γ(r ) r >0 λ λ2

Weibull [
f ( x ) = abx b −1 exp − ax b ; x > 0] a >0
b>0
(
a −1 b Γ 1 + b −1 ) [( ) (
a −2 b Γ 1 + 2b −1 − Γ 2 1 + b −1 )]

Uniforme f (x ) =
1
;a < x < b −∞ <a <b <∞
a +b (b − a )2
b −a 2 12

Profesor: Patricio Videla Jiménez.