Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Formulario FuncionesdeProbabilidad
Formulario FuncionesdeProbabilidad
Formulario FuncionesdeProbabilidad
propio
A continuación daremos un resumen de las familias de distribuciones discretas
más usuales. Para cada una de éstas, se dará su notación, sus parámetros, uso
más común, función de densidad y de distribución (si tiene), su media, su vari-
anza, su función generadora de momentos, y algunas propiedades adicionales.
1 si x 2 A
IA (x) =
0 si x 2
=A
1. Notación:
X U niD (N )
Donde N es un número entero positivo, que denota el total de elementos
en el espacio en estudio.
2. Función de densidad de probabilidad:
1
fX (x) = If1;2;3;:::;N g (x)
N
et 1 eN t
mX (t) = ; t 6= 0
N (1 et )
4. Esperanza
N +1
E (X) =
2
1
5. Varianza
N2 1
E (X) =
12
6. Otras propiedades y características
1.2 Bernoulli
Utilizada para la modelación de eventos con sólo dos posibles resultados: éxito
(X = 1) y fracaso (X = 0). Denotaremos a la probabilidad de éxito con la letra
p, mientras que a la de fracaso con la letra q = 1 p.
1. Notación:
X Blli (p)
Donde p 2 [0; 1].
2. Función de densidad de probabilidad:
fX (x) = px q 1 x
If0;1g (x)
mX (t) = q + pet
4. Esperanza:
E (X) = p
5. Varianza:
V ar (X) = pq
E (X n ) = p; n 1
1.3 Binomial
Contabiliza el número de éxitos, x, en n ensayos Bernoulli independientes.
1. Notación:
X Bin (n; p)
Donde p 2 [0; 1] y n 2 Z+ .
2. Función de densidad de probabilidad:
n x n x
fX (x) = p q If0;1;2;:::;ng (x)
x
2
3. Función generadora de momentos:
n
mX (t) = q + pet
4. Esperanza:
E (X) = np
5. Varianza:
V ar (X) = npq
6. Otras propiedades y características:
b(n + 1) pc si (n + 1) p 2
=Z
Moda =
(n + 1) p 1 y (n + 1) p si (n + 1) p 2 Z
(n x) p
Fórmula recursiva: fX (x + 1) = fX (x)
(x + 1) q
1.4 Poisson
Sin duda una de las distribuciones de probabilidad más importantes. Utilizada
en muchas áreas de estudio tales como los procesos estocásticos de conteo.
Cuando en una distribución Bin (n; p) el parámetro p es muy pequeño, y el
tamaño de n es muy grande, las probabilidades de ésta se pueden aproximar
por medio de una Poisson.
1. Notación:
X P oisson ( )
Donde 2 (0; 1).
2. Función de densidad de probabilidad:
x
e
fX (x) = If0;1;2;:::g (x)
x!
3. Función generadora de momentos:
mX (t) = exp et 1
4. Esperanza
E (X) =
5. Varianza
V ar (X) =
6. Otras propiedades y características:
b c si 2
=Z
Moda =
1y si 2Z
3
1.5 Geométrica
Esta distribución es comúnmente utilizada para medir el número de fracasos
que ocurren antes del primer éxito, en ensayos Bernoulli independientes. La
densidad geométrica tiene mucha relación con una distribución continua llamada
exponencial la cual veremos más adelante.
1. Notación:
X Geo (p)
Donde p 2 [0; 1].
2. Función de densidad de probabilidad:
3. Función de distribución:
5. Esperanza
q
E (X) =
p
6. Varianza
q
V ar (X) =
p2
7. Otras propiedades y características:
Moda = 0
P [X i + jjX j] = P [X i]
4
1. Notación:
X BinN eg (r; p)
Donde r 2 Z+ y p 2 [0; 1].
2. Función de densidad de probabilidad:
r+x 1
fX (x) = q x pr If0;1;2;:::g (x)
x
4. Esperanza
rq
E (X) =
p
5. Varianza
rq
V ar (X) =
p2
6. Otras propiedades y características:
8
< (r 1) q
si r > 1
Moda = p
:
0 si r 1
1.7 Hipergeométrica
Supongamos que se tiene una población de tamaño M con solamente dos tipos
de elementos: del tipo I y del tipo II. Además, supongamos que hay k elementos
del primer tipo -por lo tanto, habrá M k del segundo tipo-. De esta población
se extrae una muestra aleatoria de tamaño n. Luego, una distribución hiper-
geométrica contabiliza el número de elementos del tipo I que se observan en la
muestra.
1. Notación:
X Hiper (M; k; n)
+
Donde M; k; n 2 Z , 0 < k; n < M:
2. Función de densidad de probabilidad:
k M k
x n x
fX (x) = If0;1;2;:::;min(n;k)g (x)
M
n
5
3. Función generadora de momentos:
No es útil
4. Esperanza
k
E (X) = n
M
5. Varianza
nk (M n) (M k)
V ar (X) =
M 2 (M 1)
(n + 1) (k + 1)
Moda =
M +2
k h r 1
i
E (X r ) = n E (Y + 1) ; donde Y Hiper (M 1; k 1; n 1)
M
1. Notación:
X U nif (a; b)
Donde 1 < a < b < 1.
2. Función de densidad de probabilidad:
1
fX (x) = I(a;b) (x)
b a
6
3. Función de distribución
x a
FX (x) = I(a;b) (x) + I(b;1) (x)
b a
ebt eat
mX (t) =
t (b a)
5. Esperanza
a+b
E (X) =
2
6. Varianza
2
(b a)
V ar (X) =
12
7. Otras propiedades y características:
br+1 ar+1
E (X r ) =
(r + 1) (b a)
2.2 Exponencial
Indudablemente, una de las distribuciones con mayor importancia dentro de
la teoría de la probabilidad y la estadística, debido a su conexión con otras
distribuciones conocidas (geométrica, Poisson, ji-cuadrada, gamma, entre otras).
Esta distribución es normalmente utilizada para medir el tiempo de espera entre
un evento y otro.
1. Notación:
X exp ( )
Donde > 0.
2. Función de densidad de probabilidad:
x
fX (x) = e I(0;1) (x)
3. Función de distribución
x
FX (x) = 1 e I(0;1) (x)
mX (t) = ; t<
t
7
5. Esperanza
1
E (X) =
6. Varianza
1
V ar (X) = 2
Moda = 0
ln (2)
Mediana =
P [X i + jjX j] = P [X i]
2.3 Pareto
Una distribución comúnmente utilizada en materia de modelos de pérdida es la
Pareto. Una de las características más importantes de ésta es que posee cola
pesada, propiedad de interés en muchos casos.
1. Notación:
X P areto ( ; )
Donde ; > 0.
2. Función de densidad de probabilidad:
fX (x) = I
+1 ( ;1)
(x)
x
3. Función de distribución
No tiene
5. Esperanza
E (X) = ; >1
1
8
6. Varianza
2
V ar (X) = 2; >2
( 2) ( 1)
2.4 Gamma
Otra distribución que es comúnmente utilizada en modelos de pérdida es la
distribución gamma. Ésta, a comparación de la Pareto, se dice que tiene cola
ligera. Además, a partir de ésta, se desprenden otras distribuciones, como casos
particulares, de gran interés estadístico.
1. Notación:
X Gamma (r; )
Donde r; > 0.
2. La función Gamma
La función Gamma, se de…ne como la integral:
Z 1
(r) = tr 1 e t dt
0
(r + 1) = r!
(c)
1 p
=
2
9
4. Función generadora de momentos:
r
mX (t) =
t
5. Esperanza
r
E (X) =
6. Varianza
r
V ar (X) = 2
2.5 Ji-cuadrada
Esta distribución, como se mencionó, es un caso particular de la gamma. Tam-
bién resulta ser la suma de variables aleatorias normales estándar al cuadrado
independientes. La distribución Jí-cuadrada se utilizará principalmente en los
temas de inferencia estadística.
1. Notación:
X (k)
Donde k 2 Z+ .
2. Función de densidad de probabilidad:
xk=2 1 e x=2
fX (x) = I(0;1) (x)
2k=2 (k=2)
4. Esperanza
E (X) = k
5. Varianza
V ar (X) = 2k
10
2.6 Beta
Cuando se desea modelar una variable aleatoria que tome valores en el intervalo
[0; 1], es común utilizar la distribución beta. Su función de densidad es muy
‡exible, y puede tomar distintas formas dentro de su soporte.
1. Notación:
X Beta (a; b)
Donde a; b > 0.
2. La función Beta
La función Beta, se de…ne como la integral:
Z 1
b 1
B(a; b) = ta 1 (1 t) dt
0
4. Esperanza
a
E (X) =
a+b
5. Varianza
ab
V ar (X) = 2
(a + b) (a + b + 1)
6. Otras propiedades y características:
(a + b) (a + r)
E (X r ) =
(a) (a + b + r)
2.7 Normal
Sin duda, la distribución más importante de la teoría de la Probabilidad. Uti-
lizada para modelaje de errores en mediciones, como aproximación de sumas y
promedios de variables aleatorias independientes e idénticamente distribuidas,
etc...
1. Notación:
2
X N ormal ;
2
Donde 1< < 1; > 0.
11
2. Función de densidad de probabilidad:
!
2
1 (x )
fX (x) = p exp 2
I( 1;1) (x)
2 2
1 2 2
mX (t) = exp t+ t
2
4. Esperanza
E (X) =
5. Varianza
2
V ar (X) =
fX ( x) = fX ( + x)
(b)
E (X) = Moda = Mediana =
(c) Tiene puntos de in‡exión en
2
(d) Sea X N ormal ; . Si a; b 2 R, a 6= 0, y Y = aX + b, entonces,
Y N ormal a + b; a2 2
X
Z=
1. Notación:
Z N ormal (0; 1)
12
2. Función de densidad de probabilidad:
1 z2
fZ (z) = p exp I( 1;1) (z)
2 2
3. Función de distribución
FZ (z) = P [Z z] := (z)
1 2
mZ (t) = exp t
2
5. Esperanza
E (Z) = 0
6. Varianza
V ar (Z) = 1
fZ (z) = fZ (z)
13