Tabla de Distribuciones de Probabilidad Comunes

Distribuciones de variable aleatoria discreta

p
Bernoulli

P X x p px 1 p

fmp

Media

E X p,

1x

; x=0,1; 0 p 1

Var X p 1 p

varianza

M X t 1 p pet

fgm

Binomial

n, p

fmp

Media

n
n x
P X x n, p px 1 p ; x 0,1,2,K ,n; 0 p 1
x
y

E X np,

Var X np 1 p

varianza
fgm

M X t pet 1 p

Notas

Esta distribucin est relacionada con el Teorema del Binomio.

x y

n
xiyni
i 0 i
n

Su versin multivariada es la distribucin multinomial

f x1 ,K ,xn

m!

p1x1 L pnxn
x1 !L xn !

pixi
m!
i 1 xi !
n

Binomial negativa
fmp

Media

k, p

x 1 k
xk
P X x k, p
p
1

p
; x k,k 1,k 2,K ; 0 p 1

k 1
y

varianza

E X

k
,
p

Var X

kp
p2

fgm

p
M X t
t
1

p
e

Notas

El nombre de binomial negativa deriva de que cada trmino de la

expansin

de

pk 1 1 p

corresponde

los

valores

de

b* x; k, p
Describe el comportamiento de los tiempos de espera discretos.
Tambin se conoce como Distribucin Pascal.
Una expresin alternativa de la fmp es

k y 1 k
y
p 1 p ;

P Y y k, p

y 0,1,K ; 0 p 1

La binomial negativa puede derivar de una mezcla de variables

Poisson.

Geomtrica

P X x p p 1 p

fmp

Media

varianza
fgm

E X

1
,
p

Var X

pet
M X t
,
1 1 p et

Notas
La variable

x1

Y X 1

1 x 0,1,2,K ; 0 p 1

1p
p2
t log 1 p

es binomial negativa

1,p

Se trata de una funcin de probabilidad sin memoria

P X s X t P X s t

Hipergeomtrica
fmp

N , K ,n

K N K
x n x

P X x N , K ,n
,
N
n

x 1,2,K ,K , K - N-n x K ,

Media
varianza

E X

Notas
Si

nK
,
N

n=K

Var X

N,K ,n 0

nK N K N n
N
N N 1

, es apropiado el rango

x 0,1,2,K ,n

No es de utilidad la fgm.

Poisson

fmp

Media

P X x
y

E X ,

e x
, x 0,1,K ; 0
x!

Var X

varianza
fgm

et 1

MX t e

Uniforme discreta
fmp

Media
varianza
fgm

P X xN
y

E X

1
; x 1,2,K ,N ; N 1,2,K
N

N 1
,
2

M X t

Var X

N 1 N 1
12

1 N it
i 1e
N

Distribuciones de variable aleatoria continua

,
Beta
fdp

Media
varianza

f x ,

E X

1
x 1 1 x
B ,

Var X

; 0 x 1, 0, 0

2
1

fgm

r tk
M X t 1 k1 C r 0
r

k!

Notas

La constante en la fdp beta puede definirse en trminos de funciones

B ,

k1

gamma
La fgm de la distribucin beta no es ni simple ni til.
La

expresin

E X r

general

B r,

B ,

para

determinar

los

momentos

es

para

La fdp beta se usa para modelar proporciones y puede tomar varias

0,1
formas, incluso la uniforme sobre

con

Cauchy

fdp

Media

f x ,

1
x
1

E X

varianza

- x ; - ; 0

xf x dx

No existen, porque

x
dx
1 x2

lo que implica que todos los momentos absolutos son iguales a

. De

Groot nos proporciona una explicacin grfica de esta caracterstica

de la distribucin Cauchy. (1986, pgs. 182-183)
fgm

No existe.

Notas

El parmetro

Cuando

mide el centro de la distribucin, es la mediana.

1, 1

f x 1,1

1 x2

, para

La distribucin Cauchy es til cuando se trata de la razn de dos

variables aleatorias. Por ejemplo, la razn de de dos variables
aleatorias normales estandarizadas tiene una distribucin Cauchy.
(Papoulis, 1984, pgs. 137-138).

Chi cuadrada
fdp

Media

P x

x
2
2 2

E X ,

2 1 x 2

- x ; 1,2,

Var X 2

varianza
6

fgm

1
MX t

1 2t

Notas

La Chi cuadrada es un caso especial de la distribucin gamma para

1 2

2
y

, donde

1
2

son los grados de libertad.

,
Exponencial doble
fdp

Media

f x ,
y

varianza
Fgm

E X ,

MX t

Notas

1 x
e
,
2

- x , - , 0

Var X 2 2

et

1 - t

Tambin se conoce como distribucin Laplace.

Exponencial
fdp

Media
varianza
Fgm

Notas

f x =
y

1 -x
e , 0 x ,

E X ,

MX t

>0

Var X 2

1
,
1 t

La exponencial tambin es un caso especial de la distribucin gamma

7

para

Se caracteriza por ser una distribucin sin memoria.

Tiene muchos casos especiales, entre ellos:

Y X

es la densidad de probabilidad Weibull,

Y 2X
es la densidad de probabilidad Raleigh,

Y log X

es la densidad de probabilidad Gumble.

,
1

F
fdp

f x 1 , 2

1 2
2 2
1 2
x 1
2

;
1 2 2
1 2 2

1

1

x
2 2
2

0 x , 1 , 2 ,K
Media
varianza

E X

2
, 2 2
2 2

2
1 2 2 , 4
Var X 2

2
1 2 4
2 2

 1 2r

2

1
2

Momentos
(no

existe

2 2 r
r
2
2 ,
2
1

r 2
2

la fgm)

E X r

Notas

La distribucin F est relacionada con la Chi-cuadrado

F ,
1

2
2

1
1 2

t F1, t2
y

, donde las variables

son independientes

,
Gamma
fdp

Media
varianza

f x ,
y

E X ,

fgm

MX
Notas

Var X 2

1
t
,
1

1
x 1ex ; 0 x , , 0

Algunos casos especiales de la distribucin gamma son:

1
La exponencial para

La chi-cuadrada para

2
9

Y 1 X
La gamma invertida para

Y X

3 2
La Maxwell para

,
Logstica
fdp

exp x
1
f x ,

1 exp x

para

x ,- , 0
Media

varianza

E X ,

2 2
Var X
3

fgm

M X t et 1 t 1 t , t

Notas

La funcin de distribucin de probabilidad acumulada est dada por

F x ,

1 exp x

,
2

Lognormal

10

fdp

f x ,

0 x ,
Media

exp logx

x
2
1

- ,

E X exp 2 2

varianza

2
2

, para

Var X exp 2 2

exp 2 2

Momentos

E X r exp r r 2 2 2

(la fgm no
existe)

,
2

Normal

fdp

2
x 2 2
1
e
,
2

P x , 2
x ,

para

- , 0

E X ,

Var X 2

fgm

M X t e t

2 2

Notas

lAgunas veces se le llama distribucin Gaussiana.

Media

varianza

t 2

,
Pareto
11

fdp

Media

f x , 1 , - x , 0,
x

varianza

2
E X
, Var X
, 1, 2
2
1
1 2

fgm

No existe.

t de Student
fdp

2
1
1

f x

1


x2

1

- x , 1,K

Media

varianza

E X 0, 1,

Momentos
(la fgm no
existe)

E X r

r 1

E X r 0

Var X

si

Notas
La distribucin

para

, 2
2

r 2

si

y es par.

y es non.

F F1, t2
est relacionada con

12

 a,b
Uniforme
fdp

f x 1 , 2

Media

varianza
fgm

1
, a x b
b a

b a
E X
,
2

Var X

b a

12

ebt eat
M X t
b a t

Notas
Si

a0

b1

, la uniforme continua es un caso especial de la

1
distribucin beta

,
Weibull
fdp

Media
varianza

f x ,
y

1 x
x e
, 0 x , 0, 0

1
E X 1 1 , Var X 2

2 2 1

Momentos

r
E X r 1

Notas

La funcin generadora de momentos de la Weibull existe slo para

1
13


Un caso especial de la Weibull para

es la exponencial.

14