Algunas distribuciones de probabilidad Discretas

Distribucin

Notacin

Rx

Funcin de Probabilidad

E(X)

Var(X)

Binomial

Sea X el nmero total de xitos en las n pruebas independientes y repetidas Bernoulli con probabilidad p de xito en una
prueba dada. X es una variable aleatoria binomial con parmetros n y p

Bin(n,p)
( = ) = ( )
{0,1,2,3, }

Geomtrica

Se realizan pruebas Bernoulli independientes hasta obtener un xito. La probabilidad de xito es p. Sea X el nmero de pruebas
necesarias para obtener el primer xito. X se le llama v.a. geomtrica con parmetro p

1
G(p)
{1,2,3, }
( = ) = 1
2

Una urna contiene M bolas blancas, de las cuales W son blancas. Sea X el nmero de bolas blancas que salen en una muestra de
n bolas blancas tomadas SIN REEMPLAZO y al azar de una urna. X es una v.a. Hipergeomtrica

Hipergeomtrica
{0,1,2,3, , }

Pascal

( )(
)

( = ) =

( )

( )

( )(
)(
)

Se realizan pruebas Bernoulli independientes hasta obtener r (r>1) xitos. La probabilidad de xito es p. Sea X el nmero de
pruebas necesarias para obtener el r xitos. X se le llama v.a. Pascal con parmetros r y p.
{, + 1, }

1
( = ) = (
)

Se observa un proceso de Poisson con parmetro durante s unidades de tiempo. Sea X el nmero de eventos que ocurren.
Entonces a X se llama variable aleatoria Poisson con parmetro ( s)

Poisson
{0,1,2,3, , }

( = ) =

()

Algunas distribuciones de probabilidad Continuas

Distribucin

Notacin

Funcin de
Probabilidad

Rx

E(X)

Var(X)

Si x tiene la misma verisimilitud en el intervalo (a, b) entonces tenemos que

Uniforme

1
+
( )2

2
12
Dado un proceso de Poisson con parmetro , se designa con cero el omento en que se comienza a observar el
proceso. Sea T el tiempo que transcurre hasta que ocurre el primer evento. A la variable T se le llama variable
aleatoria exponencial con parmetro s
(, )

Exponencial

<<

() =

< <

Normal

Normal
Estndar

(, 2 )

< <

(0,1)

< <

Si

() =

1
2

1 2

~(, 2 )

1 2
(
)
2

entonces

1
2

~(0,1)

Distribucin de la media muestral de una poblacin Normal

Caso A. Varianza poblacional, 2 conocida

~ (,
Si ~(, 2 ) entonces

) por lo tanto =

~(0,1)

Caso B. Varianza poblacional, 2 desconocida

El estadstico

~(1)

tiene una distribucin con (n-1) grados de libertad (g.l.)

Caso C. Varianza poblacional, 2 desconocida. Muestras grandes, n > 30

Como la muestra es grande el estadstico

~(1)

se aproxima a una distribucin normal

~(0,1)

Distribucin de la diferencia de medias muestrales de dos poblaciones Normales

independientes
Caso A. Varianzas poblacionales conocidas

Si 1 ~ (1 ,

12
1

) y 2 ~ (2 , 2 ) entonces 1 2 ~ (1 2 , 1 + 2 ) por lo cual tenemos que

=

1
2 ) (1 2 )
(
2

~(0,1)

1 + 2
Caso B. Varianzas poblacionales desconocidas, pero iguales =

El estadstico

(1 2 )(1 2 )

libertad, donde 2

+
2

~(1 +2 2)

tiene una distribucin con (1 + 2 2) grados

, la varianza ponderada, est dada por:

=

( ) + ( )
+

Caso C. Varianzas poblacionales desconocidas distintas o no, con , > 30

Como las muestras son grandes el estadstico

(1 2 )(1 2 )

2
1
1

2
+ 2
2

se aproxima a una distribucin normal

~(0,1)

Intervalos de confianza de la media muestral de una poblacin Normal

Caso A. Intervalo de confianza para al (1-)% con 2 conocida

( (
2

) , + (
2

))

Caso B. Intervalo de confianza para al (1-)% con 2 desconocida

( (1, 1) (
2

) , + (1, 1) (
2

Caso C. Varianza poblacional, 2 desconocida. Muestras grandes, n > 30

( (
2

) , + (
2

))

))

Intervalos de confianza para la diferencia de medias ( ) de poblaciones

normales

Caso A. Intervalo de confianza para ( ) al (1-)% con varianzas conocidas

12 22
12 22
, (1 2 ) + + )
((1 2 ) +
2
2
1 2
1 2

Caso B. Intervalo de confianza para ( ) de dos poblaciones normales al (1-)% con varianzas desconocidas pero iguales

2
2
+
((1 2 ) (1, 1+22)
2
1
2

2
2
, (1 2 ) + (1, 1+22)
+
)
2
1
2

Caso C. . Intervalo de confianza para ( ) al (1-)% con varianzas desconocidas con , > 30

12 22
12 22

(
)
(
)
+
, 1 2 +
+ )
( 1 2
2
2
2
2
1
1