FORMULARIO DE DISTRIBUCIONES DE

PROBABILIDAD
Jorge M. Galbiati
p ag.
DISTRIBUCION BINOMIAL 2
DISTRIBUCION POISSON 4
DISTRIBUCION HIPERGEOMETRICA 5
DISTRIBUCION GEOMETRICA 7
DISTRIBUCION NORMAL 8
DISTRIBUCION JI-CUADRADO 11
DISTRIBUCION T DE STUDENT 13
DISTRIBUCION F DE SNEDECOR 15
DISTRIBUCION UNIFORME 17
DISTRIBUCION EXPONENCIAL 18
DISTRIBUCION GAMA 20
DISTRIBUCION BETA 23
TRANSFORMACION DE VARIABLES ALEATORIAS CONTINUAS 25
1
DISTRIBUCION BINOMIAL
Funci on de probabilidad:
p(x) =
n!
x!(n x)!
p
x
(1 p)
nx
si x = 0, 1, 2, ..., n
Espacio parametrico: n {1, 2, 3, ...} p (0, 1)
Valor esperado: np
Varianza: np(1 p)
Funci on generadora de momentos: (1 p + p e
t
)
n
x
p(y)
y
F(x)
0
n
APROXIMACION NORMAL DE LA BINOMIAL
Si una variable aleatoria X tiene distribucion binomial con par ametros n y p,
entonces si n es grande y si p no es ni muy cercano a cero ni muy cercano a 1, la
variable aleatoria Z =
Xnp

(np(1p))
tiene distribuci on aproximada normal estandar.
En la practica, si n es grande y p no es ni muy peque no ni muy grande, si se requiere
la probabilidad acumulada F(x) con F distribuci on binomial, se puede obtener su
valor aproximado buscando en la tabla normal
F
N
_
x 0,5 np

(np(1 p)
_
en que F
N
es la distribucion normal estandar. Se puede utilizar, como criterio, las
condiciones simultaneas n > 30 , np > 5 y n(1 p) > 5.
2
APROXIMACION POISSON DE LA BINOMIAL.
Si una variable aleatoria X tiene distribuci on binomial con par ametros n y p, en-
tonces si n es grande, y p muy cercano a cero, la variable aleatoria X tiene distribu-
cion aproximada poisson con par ametro = np.
En la practica, si n es grande y p cercano a cero, si se requiere la probabilidad acu-
mulada F(x) con F distribuci on binomial, se puede obtener su valor aproximado
buscando en la tabla poisson
F
P
(x) =
x

y=0
e

()
y
y!
en que F
P
es la distribucion poisson con par ametro = np. Se puede utilizar, como
criterio, las condiciones simultaneas n > 30 y np 5.
3
DISTRIBUCION POISSON
Funci on de probabilidad:
p(x) =
e

x
x!
si x = 0, 1, 2, ...
Espacio parametrico: (0, +)
Valor esperado:
Varianza:
Funci on generadora de momentos: e
[(e
t
1)]
x
0
p(y)
y
F(x)
APROXIMACION NORMAL DE LA POISSON.
Si una variable aleatoria X tiene distribuci on Poisson con par ametro , entonces
si es grande, la variable aleatoria Z =
X

tiene distribuci on aproximada normal

estandar.
En la practica, si es grande, si se requiere la probabilidad acumulada F(x) con F
distribuci on Poisson, se puede obtener su valor aproximado buscando en la tabla
normal
F
N
_
x

(
_
en que F
N
es la distribucion normal estandar. Se puede utilizar, como criterio, la
condicion > 36 .
4
DISTRIBUCION HIPERGEOMETRICA
Funci on de probabilidad:
p(x) =
k!
n!(nk)!

(Nk)!
(nx)!(Nkn+x)!
N!
n!(Nn)!
si x = a, a + 1, a + 2, ..., b
en que a = max(0; n + k N) y b = min(k, n). x es el n umero de exitos en la
muestra.
Espacio parametrico: N,k y n enteros positivos, tales que k < N, n < N y
n < N k.
N es el tama no de la poblaci on.
k es el n umero de exitos en la poblaci on.
n es el tama no de la muestra.
Valor esperado:
nk
N
Varianza:
nk
N
(1
k
N
)
_
Nn
N1
_
Funci on generadora de momentos:
(N n)!(N k)!
N!
H(n; k; N k n + 1; e
t
)
donde H(p, q, r, z) = 1 +
pq
r
z
1!
+
p(p+1)q(q+1)
r(r+1)
z
2
2!
+
p(p+1)(p+2)q(q+1)(q+2)
r(r+1)(r+2)
z
3
3!
(funcion hipergeometrica)
x
p(y)
y
F(x)
b
a
5
APROXIMACION BINOMIAL DE LA HIPERGEOMETRICA
Si una variable aleatoria X tiene distribuci on hipergeometrica con par ametros
N, k y n, entonces si N es grande y si
k
N
no es ni muy cercano a cero ni muy
cercano a 1, X tiene distribuci on aproximada binomial con par ametros n y p =
k
N
.
6
DISTRIBUCION GEOMETRICA
Funci on de probabilidad:
p(x) = p(1 p)
x1
si x = 1, 2, 3, ...b
x es el n umero de intentos hasta lograr el primer exito.
Espacio parametrico: p (0, 1), probabilidad de exito en un intento.
Valor esperado:
1
p
Varianza:
1p
p
2
Funci on generadora de momentos: p
e
t
1(1p)e
t
si t < log(1 p)
x
p(y)
y
F(x)
b
a
7
DISTRIBUCION NORMAL
Funci on de probabilidad:
p(x) =
1

(2)
exp
_

(x )
2
2
2
_
para x (, +)
Espacio parametrico: media (, +) varianza
2
(0, +)
Valor esperado:
Varianza:
2
Funci on generadora de momentos: e
(t+
2
t
2
/2)
0 x
f(y)
y
F(x)
DISTRIBUCION NORMAL ESTANDAR
Es un caso especial de la normal, en que = 0 y
2
= 1.
Funci on de densidad:
f(x) =
1

(2)
exp
_

x
2
2
_
para x (, +)
Valor esperado: 0
Varianza: 1
Funci on generadora de momentos: e
t
2
/2
8
RELACION CON LA NORMAL ESTANDAR
Los valores de la funcion de distribuci on de la normal con par ametros y
2
se
obtienen de la tabla de distribucion normal estandar (en que = 0 y
2
=1)
como se muestra a continuaci on. Por esa raz on s olo se entrega la tabla de la normal
estandar.
Si se requiere la probabilidad acumulada hasta la cuantila x, se efect ua la transfor-
maci on z =
x

y se busca la probabilidad asociada a la cuantila z en la tabla de

distribuci on normal estandar.
Al reves, si se quiere saber a que cuantila corresponde una probabilidad acumulada
dada, F(z), se busca la cuantila z asociada a F(z) en la tabla de distribuci on nor-
mal estandar. Entonces la correspondiente cuantila de la normal con par ametros
y
2
es x = z + .
9
FUNCIONES LINEALES DE NORMALES
1.- Si X es una variable aleatoria normal con valor esperado y varianza
2
, si a
y b son constantes, entonces la variable aleatoria a +bX tiene distribuci on normal,
con valor esperado a + b y varianza b
2

2
.
Como caso particular, la variable aleatoria estandarizada Z =
X

tiene distribu-
cion normal estandar.
2.- Si X
1
y X
2
son variables aleatorias normales (p ag. 50), estadsticamente inde-
pendientes, con valores esperados respectivos
1
y
2
, con varianzas respectivas

2
1
y
2
2
, y si a y b son dos n umeros reales, entonces la variable aleatoria aX
1
+ bX
2
tiene distribuci on normal con valor esperado a
1
+ b
2
y varianza a
2

2
1
+ b
2

2
2
.
3.- Si X
1
, X
2
, ...., X
n
son n variables aleatorias normales con valor esperado ,
y varianza
2
entonces el promedio X=
1
n

n
i=1
X
i
tiene distribucion normal con
valor esperado y varianza
2
/n.
TEOREMA DEL LIMITE CENTRAL
Si X
1
, X
2
, ...., X
n
son n variables aleatorias estadsticamente independientes, con
valor esperado y varianza
2
y cualquier distribuci on probabilstica, continua o
discreta, entonces si n es grande, la variable aleatoria Z=
X
/

n
tiene distribucion
aproximada normal estandar
10
DISTRIBUCION JI CUADRADO
Funci on de densidad:
f(x) =
1
2
k/2
(k/2)
x
k/21
e
x/2
si x > 0
Espacio parametrico: Grados de libertad k {1, 2, 3, ...}
Valor esperado: k
Varianza: 2k
Funci on generadora de momentos:
_
1
12t
_
k/2
para t < 1/2
0 x
f(y)
y
F(x)
APROXIMACION NORMAL DE LA JI-CUADRADO.
Si una variable aleatoria X tiene distribuci on ji-cuadrado con k grados de libertad,
entonces si k es grande la variable aleatoria Z =
Xk

(2k)
tiene distribuci on aproximada
normal standard.
En la practica, si k es grande, si se requiere la probabilidad acumulada F(x) con
F distribuci on ji-cuadrado, se puede obtener su valor aproximado buscando en la
tabla normal
F
N
_
x k

(2k)
_
en que F
N
es la distribucion normal estandar. Se puede utilizar, como criterio, la
condicion k > 200.
11
CONSTRUCCION DE UNA JI-CUADRADO A PARTIR DE NORMALES
1.- Si Z
1
, Z
2
, ...., Z
n
son n variables aleatorias normales estandar estadstica-
mente independientes, entonces la variable aleatoria

n
i=1
Z
2
i
tiene distribucion
ji-cuadrado con n grados de libertad.
2.- Si X
1
, X
2
, ...., X
n
son n variables aleatorias normales con valor esperado y
varianza
2
, independientes, entonces la variable aleatoria

n
i=1
(X
i
X)
2

2
tiene dis-
tribucion ji-cuadrado con n 1 grados de libertad.
Ademas esta expresion es estadsticamente independiente del promedio X.
12
DISTRIBUCION T DE STUDENT
Funci on de densidad:
f(x) =

_
k+1
2
_

_
k/2
_
1

(k)

1
_
1 +
x
2
k
_k+1
2
para x (, +)
Espacio parametrico: Grados de libertad k {1, 2, 3, ...}
Valor esperado: 0 para k > 1
Varianza:
k
k2
para k > 2
Funci on generadora de momentos: no existe
0 x
f(y)
y
F(x)
VALORES DE PROBABILIDAD MENORES QUE 0.5
Por la simetra de la distribuci on t de student , rige la igualdad F(x) = 1F(x).
Por esa raz on, la tabla s olo tiene probabilidades mayores que 0.5, asociadas a cuan-
tiles positivos.
Si se requiere el cuantil asociado a una probabilidad acumulada P menor que 0.5,
se ingresa a la tabla el valor de probabilidad acumulada 1 P ; al correspondiente
cuantil x obtenido de la tabla se le pone signo menos, quedando x como el cuartil
requerido.
13
APROXIMACION NORMAL DE LA T DE STUDENT
Si una variable aleatoria X tiene distribuci on t de student con k grados de libertad,
entonces si k es grande la variable aleatoria X tiene distribuci on aproximada normal
standard.
En consecuencia, si k es grande, si se requiere la probabilidad acumulada F(x) con
F distribuci on t de student, se puede obtener su valor aproximado buscando en la
tabla normal el valor F
N
(x) , en que F
N
es la distribucion normal standard. Se
puede utilizar, como criterio, la condici on k > 200 .
CONSTRUCCION DE UNA T DE STUDENT A PARTIR DE UNA NORMAL Y
UNA JI-CUADRADO
1.- Si Z es una variable aleatoria normal estandar y V es una variable aleatoria
ji-cuadrado con n grados de libertad, ambas estadsticamente independientes,
entonces la variable aleatoria
Z

(X/n)
tiene distribuci on t de student con n grados
de libertad.
2.- Si X
1
, X
2
, ...., X
n
son n variables aleatorias normales con valor esperado
y varianza
2
, estadsticamente independientes, entonces la variable aleatoria
X
s/

n
tiene distribuci on t de student con n 1 grados de libertad, en que X es el
promedio y s
2
=

n
i=1
(X
i
X)
2
n1
es la varianza muestral.
14
DISTRIBUCION F DE SNEDECOR
Funci on de densidad:
f(x) =

_
n+d
2
_

_
n
2
_

_
d
2
_
_
n/d
_
n/2

x
n/21
_
1 +
n
d
x
_n+d
2
si x > 0
Espacio parametrico: grados de libertad del numerador n y grados de libertad
del denominador d ambos enteros positivos.
Valor esperado:
d
d2
para d > 2
Varianza:
2d
2
(n+d2)
n(d2)
2
(d4)
para d > 4
Funci on generadora de momentos: no existe
0 x
f(y)
y
F(x)
INVERSION DE LA F DE SNEDECOR
Se puede usar la siguiente relaci on para calcular valores que no aparecen en la tabla:
Si la variable aleatoria X tiene distribuci on F con n grados de libertad del numerador
y d grados de libertad del denominador, entonces 1/X tiene distribuci on F, con d
grados de libertad del numerador y n grados de libertad del denominador.
Por lo tanto se pueden obtener m as valores de los que aparecen en la tabla, mediante
en la relacion F
n,d
(x) = 1 F
d,n
(
1
x
) en que F es el valor de probabilidad acumulada
de la tabla, el primer subndice corresponde a los grados de libertad del numerador,
el segundo a los grados de libertad del denominador.
15
CONSTRUCCION DE UNA F DE SNEDECOR A PARTIR DE DOS
JI-CUADRADO
1.- Si X es una variable aleatoria ji-cuadrado con n grados de libertad e Y es una
variable aleatoria ji-cuadrado con d grados de libertad, estadsticamente indepen-
dientes, entonces el cuociente
X/n
Y/d
tiene distribuci on F de Snedecorcon n grados
de libertad en el numerador y d grados de libertad en el denominador.
2.-Tambien
Y/d
X/n
tiene distribuci on F de Snedecor con d grados de libertad en el
numerador y n grados de libertad en el denominador.
16
DISTRIBUCION UNIFORME
Funci on de densidad:
f(x) =
1
b a
si a < x b
Espacio parametrico:
< a, b < a < b
Valor esperado:
a+b
2
Varianza:
(ba)
2
12
Funci on generadora de momentos:
e
bt
e
at
(b a)t
0 a x b
f(y)
F(x)
y
1
b - a
VALORES DE LA DISTRIBUCION UNIFORME
La funci on de distribuci on de la uniforme se puede calcular analticamente mediante
la f ormula
F(x) =
_
0 si x a
xa
ba
si a < x b
1 si x > b
17
DISTRIBUCION EXPONENCIAL
Funci on de densidad:
f(x) = e
x
si x > 0
Espacio parametrico: Tasa media de ocurrencia > 0
Valor esperado:
1

Varianza:
1

2
Funci on generadora de momentos:

t
para t <
0 x
f(y)
y
F(x)
VALORES DE LA DISTRIBUCION EXPONENCIAL
La funci on de distribuci on de la exponencial se puede calcular analticamente me-
diante la f ormula F(x) = 1 e
x
para x > 0.
18
RELACION ENTRE UNA POISSON Y UNA EXPONENCIAL
1.- Si X es una variable aleatoria Poisson con par ametro , que describe el n umero
de ocurrencias de un fenomeno por unidad de tiempo, entonces la variable aleato-
ria que describe el tiempo entre ocurrencias tiene distribucion exponencial con
par ametro . En tal caso el par ametro es la tasa media de ocurrencias por
unidad de tiempo, y = 1/ es el tiempo medio entre ocurrencias.
2.- En forma recproca, si Y es una variable aleatoria exponencial con par ametro
, que describe el tiempo entre ocurrencias de un fenomeno, entonces el n umero de
veces que ocurre el fen omeno en una unidad de tiempo, es una variable aleatoria
con distribuci on Poisson, con el mismo par ametro, que representa la tasa media
de ocurrencias por unidad de tiempo.
19
DISTRIBUCION GAMA
Funci on de densidad: Hay dos formas usuales de parametrizar esta distribucion.
Primera parametrizacion (Par. 1):
f(x) =

p
(p)
x
p1
e
x
si x > 0
Segunda parametrizaci on (Par. 2):
f(x) =
1

p
(p)
x
p
e

si x > 0
Espacio parametrico:
Par. 1: Parametro de escala > 0
Parametro de forma p > 0
Par. 2: Parametro de escala > 0
Parametro de forma p > 0
Valor esperado: Par. 1:
p

Par. 2: p
Varianza: Par. 1:
p

2
Par. 2: p
2
Funci on generadora de momentos:
Par. 1:
_

t
_
p
para t <
Par. 2:
1
(1t)
p para t <
1

20
0 x
f(y)
y
F(x)
Casos particulares:
1) Si p=1 (par ametro de forma) entonces la gama se convierte en una expo-
nencial cuyo par ametro es igual al par ametro de escala de la gama, (Par. 1) o
equivalentemente (Par. 2).
2) Si p=
1
2
k , en que k es cualquier n umero entero positivo, y si =
1
2
(Par. 1) o
equivalentemente =2 (Par. 2) , entonces la gama se convierte en una ji-cuadrado
cuyo par ametro grados de libertad es igual a k.
La funci on de distribuci on gama no se puede calcular analticamente, salvo en casos
especiales.
21
RELACIONES ENTRE GAMAS
Lo siguiente se expresa en terminos de la primera parametrizaci on, con el par ametro
. Es equivalente para la segunda parametrizaci on, con el par ametro . Solo se debe
sustituir por .
1.- Si X
1
, X
2
, ...., X
n
son n variables aleatorias gama estadsticamente indepen-
dientes, con par ametros de forma respectivos p
1
, p
2
, ...., p
n
, y con par ametro de
escala com un , entonces la variable aleatoria Y =

n
i=1
X
i
tiene distribuci on gama
con par ametro de forma p =

n
i=1
p
i
y par ametro de escala .
2.- Si X
1
y X
2
son variables aleatorias gama estadsticamente independientes,
con par ametros de forma respectivos p
1
y p
2
y par ametro de escala com un en-
tonces las variables aleatorias U=X
1
+ X
2
y V =
X
1
X
1
+X
2
son independientes, U
tiene distribuci on gama con par ametro de forma p
1
+ p
2
y de escala , y V tiene
distribuci on beta (p ag. 104) con par ametros r = p
1
y s = p
2
.
3.- Caso especial de 1. Si X
1
, X
2
, ...., X
n
son n variables aleatorias exponenciales
estadsticamente independientes, con par ametro com un , entonces la variable
aleatoria Y =

n
i=1
X
i
tiene distribucion gama con par ametro de forma p = n y
par ametro de escala .
A esta forma especial de gama, con par ametro de forma entero, se le suele dar el
nombre de distribuci on erlang.
4.- Caso especial de 1. Si X
1
, X
2
, ...., X
n
son n variables aleatorias ji-cuadrado
estadsticamente independientes, con par ametros respectivos (grados de liber-
tad) k
1
, k
2
, ...., k
n
, entonces la variable aleatoria Y =

n
i=1
X
i
tiene distribuci on ji-
cuadrado con k =

n
i=1
k
i
grados de libertad.
22
DISTRIBUCION BETA
Funci on de densidad:
f(x) =
(r + s)
(r) (s)
x
r1
(1 x)
s1
si 0 < x < 1
Espacio parametrico:
r > 0 , s > 0
Valor esperado:
r
r+s
Varianza:
rs
(r+s)
2
(r+s+1)
Momentos: La funci on generadora de momentos no tiene una forma
analtica. Sin embargo, el momento m-esimo puede obtenerse directamente, medi-
ante la f ormula

m
=
(r+s+1)! (r+m)!
(r+s+m+1)! r!
para m=1, 2, ..
0 x
f(y)
y
F(x)
0 x
f(y)
y 1 1
F(x)
En la gura de la izquierda, r < s, mientras que en la gura de la derecha, r > s.
Si r y s son iguales, la densidad es simetrica.
23
La funci on de distribuci on beta no se puede calcular analticamente, salvo en casos
especiales.
Caso particular:
Si r=1 y s=1 entonces la beta se convierte en una uniforme con par ametros a=0
y b=1.
24
TRANSFORMACION DE VARIABLES ALEATORIAS CONTINUAS
1.- Si X es una variable aleatoria continua con funci on de densidad f
X
(x) y g() es
una funci on creciente, entonces la nueva variable aleatoria Y = g(X) tiene funci on
de densidad dada por la f ormula
f
Y
(y) =
1
|g

[g
1
(y)]|
f
X
[g
1
(y)]
en que || denota el valor absoluto, g

es la derivada y g
1
es la inversa de la funci on
g.
2.- Caso especial de 1. Si la funci on g(x) del parrafo 1 es una funci on lineal
g(x) = a + bx, en que a y b son constantes, b = 0, entonces la variable aleatoria
Y = g(X) tiene densidad
f
Y
(y) =
1
|b|
f
X
_
ya
b
)
_
25