Variable aleatoria

Una variable aleatoria es una funcin que asigna un valor, usualmente numrico, al resultado
de un experimento aleatorio. Por ejemplo, los posibles resultados de tirar un dado dos veces:
(1, 1), (1, 2), etc. o un nmero real (p.e., la temperatura mxima medida a lo largo del da en
una ciudad concreta).
Los valores posibles de una variable aleatoria pueden representar los posibles resultados de
un experimento an no realizado, o los posibles valores de una cantidad cuyo valor
actualmente existente es incierto (p.e., como resultado de medicin incompleta o imprecisa).
Intuitivamente, una variable aleatoria puede tomarse como una cantidad cuyo valor no es fijo
pero puede tomar diferentes valores; una distribucin de probabilidad se usa para describir la
probabilidad de que se den los diferentes valores. En trminos formales una variable aleatoria
es una funcin definida sobre un espacio de probabilidad.
Las variables aleatorias suelen tomar valores reales, pero se pueden considerar valores
aleatorios como valores lgicos, funciones o cualquier tipo de elementos (de un espacio
medible). El trmino elemento aleatorio se utiliza para englobar todo ese tipo de conceptos
relacionados. Un concepto relacionado es el de proceso estocstico, un conjunto de variables
aleatorias ordenadas (habitualmente por orden o tiempo).

Definicin de variable aleatoria[editar]

Concepto intuitivo[editar]
Una variable aleatoria puede concebirse como un valor numrico que est afectado por el
azar. Dada una variable aleatoria no es posible conocer con certeza el valor que tomar est
al ser medida o determinada, aunque s se conoce que existe una distribucin de
probabilidad asociada al conjunto de valores posibles. Por ejemplo, en una epidemia de
clera, se sabe que una persona cualquiera puede enfermar o no (suceso), pero no se sabe
cul de los dos sucesos va a ocurrir. Solamente se puede decir que existe una probabilidad de
que la persona enferme.

Para trabajar de manera slida con variables aleatorias en general es necesario considerar un
gran nmero de experimentos aleatorios, para su tratamiento estadstico, cuantificar los
resultados de modo que se asigne un nmero real a cada uno de los resultados posibles del
experimento. De este modo se establece una relacin funcional entre elementos del espacio
muestral asociado al experimento y nmeros reales.

Definicin formal[editar]
Una variable aleatoria (v.a.) X es una funcin real definida en el espacio de probabilidad, ,
asociado a un experimento aleatorio.1 2

La definicin formal anterior involucra conceptos matemticos sofisticados procedentes de

la teora de la medida, concretamente la nocin -lgebra o la de medida de
probabilidad.3 4 Dado un espacio de probabilidad y un espacio medible , una aplicacin es
una variable aleatoria si es una aplicacin -medible. En el uso ordinario, los puntos de no
son directamente observables, slo el valor de la variable en el punto por lo que el elemento
probabilstico reside en el desconocimiento que se tiene del punto concreto .
En la mayora de usos prctios se tiene que el espacio medible de llegada es , quedando pues
la definicin de esta manera:

Dado un espacio de probabilidad una variable aleatoria real es cualquier funcin -

medible donde es la -lgebra boreliana.

Rango de una variable aleatoria[editar]

Se llama rango de una variable aleatoria X y lo denotaremos RX, a la imagen o rango de la
funcin , es decir, al conjunto de los valores reales que sta puede tomar, segn la aplicacin
X. Dicho de otro modo, el rango de un v.a. es el recorrido de la funcin por la que sta queda
definida:...

Ejemplos[editar]
Ejemplo 1

Supongamos que se lanzan dos monedas al aire. El espacio muestral, esto es, el conjunto de
resultados elementales posibles asociado al experimento, es:

donde (c representa "sale cara" y x, "sale cruz"). Podemos asignar entonces a cada suceso
elemental del experimento el nmero de caras obtenidas. De este modo se definira la variable
aleatoria X como la funcin

dada por

El recorrido o rango de esta funcin, RX, es el conjunto

Ejemplo 2

El nivel X de precipitacin registrado un da concreto del ao, en una ciudad

por una estacin meteorolgica concreta. El espacio muestral que incluye
todos los posibles resultados puede representarse por el intervalo . En este
caso el espacio muestral es ms complicado porque incluira especificar el
estado de la atmsfera completo (una aproximacin sera describir el conjunto
de posiciones y velocidades de todas las molculas de la atmsfera, que
sera una cantidad de informacin monumental o usar un modelo ms o
menos complejo en trminos de variables macroscpicas, como los modelos
meteorolgicos usados actualmente).

Podemos revisar la serie histrica de precipitaciones y aproximar

la distribucin de probabilidad de X y consturir una aproximacin . Ntese
que en este caso la distribucin de probabilidad no es conocida, slo se
conoce la distribucin muestral (la serie histrica) y se conjetura que la
distribucin real no se aleja mucho de esta aproximaxin . Si la serie histrica
es suficientemente larga y representa un clima que no difiere
significativamente del actual estas dos litmas funciones diferirn muy poco.
Caracterizacin de variables aleatorias[editar]
Tipos de variables aleatorias[editar]
Para comprender de una manera ms amplia y rigurosa los tipos de variables,
es necesario conocer la definicin de conjunto discreto. Un conjunto es
discreto si est formado por un nmero finito de elementos, o si sus
elementos se pueden enumerar en secuencia de modo que haya un primer
elemento, un segundo elemento, un tercer elemento, y as
sucesivamente5 (es decir, un cojunto infinito numerable sin puntos de
acumulacin). Para variables con valores en las variables aleatorias se
clasifican usualmente en:

Variable aleatoria discreta: una v.a. es discreta si su recorrido es un

conjunto discreto. La variable del ejemplo anterior es discreta. Sus
probabilidades se recogen en la funcin de cuanta. (Vanse
las distribuciones de variable discreta).

Variable aleatoria continua: una v.a. es continua si su recorrido es

un conjunto no numerable. Intuitivamente esto significa que el conjunto de
posibles valores de la variable abarca todo un intervalo de nmeros
reales. Por ejemplo, la variable que asigna la estatura a una persona
extrada de una determinada poblacin es una variable continua ya que,
tericamente, todo valor entre, pongamos por caso, 0 y 2,50 m, es
posible.6 (Vanse las distribuciones de variable continua).

Las definiciones anteriores pueden generalizarse fcilmente a variables

aleatorias con valores sobre o . Esto no agota el tipo de variables aleatorias
ya que el valor de una variable aleatoria puede ser tambin una particin,
como sucede en el proceso estocstico del restaurante chino o el conjunto de
valores de una variable aleatoria puede ser un conjunto de funciones como
el proceso estocstico de Dirichlet.

Distribucin de probabilidad de una variable

aleatoria[editar]
Artculo principal: Distribucin de probabilidad

La distribucin de probabilidad de una v.a. X, tambin llamada funcin de

distribucin de X es la funcin , que asigna a cada evento definido
sobre una probabilidad dada por la siguiente expresin:

Y de manera que se cumplan las siguientes tres condiciones:

1. y

2. Es continua por la derecha.

3. Es montona no decreciente.
La distribucin de probabilidad de una v.a. describe tericamente la forma en
que varan los resultados de un experimento aleatorio. Intuitivamente se
tratara de una lista de los resultados posibles de un experimento con
las probabilidades que se esperaran ver asociadas con cada resultado.

Funcin de densidad de una v.a. continua[editar]

Artculo principal: Funcin de densidad de probabilidad

La funcin de densidad de probabilidad (FDP) o, simplemente, funcin de

densidad, representada comnmente como f(x), se utiliza con el propsito de
conocer cmo se distribuyen las probabilidades de un suceso o evento, en
relacin al resultado del suceso.

La FDP es la derivada (ordinaria o en el sentido de las distribuciones) de la

funcin de distribucin de probabilidad F(x), o de manera inversa, la funcin
de distribucin es la integral de la funcin de densidad:

La funcin de densidad de una v.a. determina la concentracin de

probabilidad alrededor de los valores de una variable aleatoria continua.

Funciones de variables aleatorias[editar]

Sea una variable aleatoria sobre y una funcin medible de Borel ,

entonces ser tambin una variable aleatoria sobre , dado que la
composicin de funciones medibles tambin es medible a no ser que sea
una funcin medible de Lebesgue. El mismo procedimiento que permite ir de
un espacio de probabilidad a puede ser utilizado para obtener la distribucin
de . La funcin de probabilidad acumulada de es

Si la funcin g es invertible, es decir g-1 existe, y es montona creciente,

entonces la anterior relacin puede ser extendida para obtener

y, trabajando de nuevo bajo las mismas hiptesis de invertibilidad de g y

asumiendo adems diferenciabilidad, podemos hallar la relacin entre las
funciones de densidad de probabilidad al diferenciar ambos trminos respecto
de y, obteniendo

Si g no es invertible pero cada y tiene un nmero finito de races, entonces la

relacin previa con la funcin de densidad de probabilidad puede
generalizarse como

donde xi = gi-1(y). Las frmulas de densidad no requieren que g sea creciente.

Ejemplo[editar]
Sea X una variable aleatoria real continua y sea Y = X2.
 Si y < 0, entonces P(X2 = y) = 0, por lo tanto

Si y 0, entonces

por lo tanto

Parmetros relacionados con una variable

aleatoria[editar]
Artculo principal: Parmetro estadstico

La funcin de densidad o la distribucin de probabilidad de una variable

aleatoria (v.a.) contiene exhaustivamente toda la informacin sobre la
variable. Sin embargo, resulta conveniente resumir sus caractersticas
principales con unos cuantos valores numricos. Entre estos estn
la esperanza y la varianza (aunque para caracterizar completamente la
distribucin de probabilidad se necesitan parmetros estadsticos
adicionales).

Esperanza[editar]
Artculo principal: Esperanza matemtica

La esperanza matemtica (o simplemente esperanza) o valor esperado de

una v.a. es la suma del producto de la probabilidad de cada suceso por el
valor de dicho suceso. Si todos los sucesos son de igual probabilidad la
esperanza es la media aritmtica. Para una variable aleatoria discreta con
valores posibles y sus probabilidades representadas por la funcin de
probabilidad la esperanza se calcula como:

Para una variable aleatoria continua la esperanza se calcula mediante la

integral de todos los valores y la funcin de densidad :

La esperanza tambin se suele simbolizar con

El concepto de esperanza se asocia comnmente en los juegos de

azar al de beneficio medio o beneficio esperado a largo plazo.

Varianza[editar]
Artculo principal: Varianza

La varianza es una medida de dispersin de una variable

aleatoria respecto a su esperanza . Se define como la esperanza de
la transformacin :

o bien
 Momentos de orden superior[editar]
Artculos principales: Funcin caracterstica y Funcin generadora de
momentos.

Dada una distribucin de probabilidad continua el conjunto de sus

momentos caracteriza completamente la distribucin. Dos de estos
momentos ya han aparecido, el valor esperado coincide con el
momento de primer orden, mientras que la varianza puede
expresarse como una combinacin del momento de segundo orden y
el cuadrado del momento de primer orden. En general, el momento
de orden n de una variable aleatoria real con densidad de
probabilidad definida casi en todas partes se calcula como:

Estos momentos pueden obtenerse a partir de las derivadas n-simas

de la funcin caracterstica asociada a la variable X:

o anlogamente la funcin generadora de momentos:

Distribucin de probabilidad
La distribucin Normal suele conocerse como la "campana de Gauss".

En teora de la probabilidad y estadstica, la distribucin de probabilidad de una variable

aleatoria es una funcin que asigna a cada suceso definido sobre la variable aleatoria
la probabilidad de que dicho suceso ocurra. La distribucin de probabilidad est definida sobre
el conjunto de todos los sucesos y cada uno de los sucesos es el rango de valores de la
variable aleatoria. Tambin se dice que tiene una relacin estrecha con las distribuciones de
frecuencia. De hecho, se puede entender que una distribucin de probabilidades sera una
frecuencia terica, ya que sta ltima es aquella que describe cmo se espera que varen los
resultados.

La distribucin de probabilidad est completamente especificada por la funcin de distribucin,

cuyo valor en cada x real es la probabilidad de que la variable aleatoria sea menor o igual
que x.

Tipos de variables[editar]

Variable aleatoria: Es aquella cuyo valor es el resultado de un evento aleatorio. Lo que

quiere decir que son los resultados que se presentan al azar en cualquier evento o
experimento.

Variable aleatoria discreta: Es aquella que slo toma ciertos valores

(frecuentemente enteros) y que resulta principalmente del conteo realizado.

Variable aleatoria continua: Es aquella que resulta generalmente de la medicin y

puede tomar cualquier valor dentro de un intervalo dado.1

Divisin de distribuciones[editar]

Esta divisin se realiza dependiendo del tipo de variable a estudiar, esto significa que:

a) Si la variable es una variable discreta (valores enteros), corresponder una distribucin

discreta, de las cuales existen:

Distribucin normal (eventos independientes).

Distribucin de poisson (eventos independientes).

 Distribucin hipergeomtrica(eventos dependientes).

b) Si la variable es continua, esto significa que puede tomar cualquier valor dentro de un
intervalo, la distribucin que se generar ser una distribucin continua, tambin
llamada "distribucin normal".

Adems, se puede utilizar la "distribucin de poisson como una aproximacin de la

distribucin binomial" cuando la muestra por es estudiar es grande y la probabilidad de xito
es pequea. De la combinacin de los dos tipos de distribuciones anteriores (a y b), surge una
conocida como "distribucin normal como una aproximacin de la distribucin binomial y de
poisson".

Definicin de funcin de distribucin[editar]

Artculo principal: Funcin de distribucin

Dada una variable aleatoria , su funcin de distribucin, , es

Por simplicidad, cuando no hay lugar a confusin, suele omitirse el subndice y se escribe,
simplemente, . Donde en la frmula anterior:

, es la probabilidad definida sobre un espacio de probabilidad y una medida unitaria

sobre el espacio muestral.
es la medida sobre la -lgebra de conjuntos asociada al espacio de probabilidad.
es el espacio muestral, o conjunto de todos los posibles sucesos aleatorios, sobre el
que se define el espacio de probabilidad en cuestin.
es la variable aleatoria en cuestin, es decir, una funcin definida sobre el espacio
muestral a los nmeros reales.
Propiedades[editar]
Como consecuencia casi inmediata de la definicin, la funcin de distribucin:

Es una funcin continua por la derecha.

Es una funcin montona no decreciente.

Adems, cumple

Para dos nmeros reales cualesquiera y tal que , los sucesos y son
mutuamente excluyentes y su unin es el suceso , por lo que tenemos
entonces que:

y finalmente

Por lo tanto una vez conocida la funcin de distribucin para

todos los valores de la variable aleatoria conoceremos
completamente la distribucin de probabilidad de la variable.
Para realizar clculos es ms cmodo conocer la distribucin de
probabilidad, y sin embargo para ver una representacin grfica
de la probabilidad es ms prctico el uso de la funcin de
densidad.

Distribuciones de variable discreta[editar]

Grfica de distribucin binomial.

Se denomina distribucin de variable discreta a aquella cuya

funcin de probabilidad slo toma valores positivos en un
conjunto de valores de finito o infinito numerable. A dicha funcin
se le llama funcin de masa de probabilidad. En este caso la
distribucin de probabilidad es la suma de la funcin de masa,
por lo que tenemos entonces que:

Y, tal como corresponde a la definicin de distribucin de

probabilidad, esta expresin representa la suma de todas las
probabilidades desde hasta el valor .

Tipos de distribuciones de variable

discreta[editar]
Definidas sobre un dominio finito

La distribucin de Bernoulli, que toma valores "1", con

probabilidad p, o "0", con probabilidad q = 1 p.

La distribucin de Rademacher, que toma valores "1" o "-

1" con probabilidad 1/2 cada uno.

La distribucin binomial, que describe el nmero de

aciertos en una serie de n experimentos independientes
con posibles resultados "s" o "no" (ensayo de Bernoulli,
todos ellos con probabilidad de acierto p y probabilidad
de fallo q = 1 p.
 La distribucin beta-binomial, que describe el nmero de
aciertos en una serie de n experimentos independientes
con posibles resultados "s" o "no", cada uno de ellos con
una probabilidad de acierto variable definida por una
beta.

La distribucin degenerada en x0, en la que X toma el

valor x0 con probabilidad 1. A pesar de que no parece
una variable aleatoria, la distribucin satisface todos los
requisitos para ser considerada como tal.

La distribucin uniforme discreta, en el que todos los

resultados posibles forman de un conjunto finito en el que
todos son igualmente probables. Esta distribucin
describe el comportamiento aleatorio de una moneda, un
dado o una ruleta de casino equilibrados (sin sesgo).

La distribucin hipergeomtrica, que mide la probabilidad

de obtener x (0 x d) elementos de una determinada
clase formada por d elementos pertenecientes a una
poblacin de N elementos, tomando una muestra de n
elementos de la poblacin sin reemplazo.

distribucin hipergeomtrica no central de Fisher.

distribucin hipergeomtrica no central de Wallenius.

La ley de Benford, que describe la frecuencia del primer

dgito de un conjunto de nmeros en notacin decimal.

Definidas sobre un dominio infinito

La distribucin binomial negativa o distribucin de

Pascal, que describe el nmero de ensayos de Bernoulli
independientes necesarios para conseguir n aciertos,
dada una probabilidad individual de xito p constante.

La distribucin geomtrica, que describe el nmero de

intentos necesarios hasta conseguir el primer acierto.

La distribucin beta-binomial negativa, que describe el

nmero de experimentos del tipo "si/no" necesarios para
conseguir n aciertos, cuando la probabilidad de xito de
cada uno de los intentos est distribuida de acuerdo con
una beta.

La distribucin binomial negativa extendida.

La distribucin de Boltzmann, importante en mecnica

estadstica, que describe la ocupacin de los niveles de
 energa discretos en un sistema en equilibrio trmico.
Varios casos especiales son:

La distribucin de Gibbs.

La distribucin de MaxwellBoltzmann.

La distribucin elptica asimtrica.

La distribucin fractal parabolica.

La distribucin hipergeomtrica extendida.

La distribucin logartmica.

La distribucin logartmica generalizada.

La distribucin de Poisson, que describe el nmero de

eventos individuales que ocurren en un periodo de
tiempo. Existen diversas variantes como la Poisson
desplazada, la hiper-Poisson, la binomial de Poisson y la
ConwayMaxwellPoisson entre otras.

La distribucin de Polya-Eggenberger.

La distribucin Skellam, que describe la diferencia de dos

variables aleatorias independientes con distribuciones de
Poisson de distinto valor esperado.

La distribucin de YuleSimon.

La distribucin zeta, que utiliza la funcin zeta de

Riemman para asignar una probabilidad a cada nmero
natural.

La ley de Zipf, que describe la frecuencia de utilizacin

de las palabras de una lengua.

La ley de ZipfMandelbrot es una versin ms precisa de

la anterior.
Distribuciones de variable continua[editar]

Distribucin normal.

Se denomina variable continua a aquella que puede tomar

cualquiera de los infinitos valores existentes dentro de un
intervalo. En el caso de variable continua la distribucin de
probabilidad es la integral de la funcin de densidad, por lo
que tenemos entonces que:

Tipos de distribuciones de variable

continua[editar]
Distribuciones definidas en un intervalo acotado

La distribucin arcoseno, definida en el intervalo

[a,b].

La distribucin beta, definida en el intervalo [0, 1],

que es til a la hora de estimar probabilidades.

La distribucin del coseno alzado, sobre el intervalo

[\mu-s,\mu+s].

La distribucin degenerada en x0, en la que X toma

el valor x0 con probabilidad 1. Puede ser
considerada tanto una distribucin discreta como
continua.

La distribucin de Irwin-Hall o distribucin de la suma

uniforme, es la distribucin correspondiente a la
suma de n variables aleatorias i.i.d. ~ U(0, 1).

La distribucin de Kent, definida sobre la superficie

de una esfera unitaria.

La distribucin de Kumaraswamy, tan verstil como

la beta, pero con FDC y FDP ms simples.
 La distribucin logartmica continua.

La distribucin logit-normal en (0, 1).

La distribucin normal truncada, sobre el intervalo [a,

b].

La distribucin reciproca, un tipo de distribucin

inversa.

La distribucin triangular, definida en [a, b], de la cual

un caso particular es la distribucin de la suma de
dos variables independientes uniformemente
distribuidas (la convolucin de dos distribuciones
uniformes).

La distribucin uniforme continua definida en el

intervalo cerrado [a, b], en el que la densidad de
probabilidad es constante.

La distribucin rectangular es el caso particular en el

intervalo [-1/2, 1/2].

La distribucin U-cuadrtica, definida en [a, b],

utilizada para modelar procesos bimodales
simtricos.

La distribucin von Mises, tambin llamada

distribucin normal circular o distribucin Tikhonov,
definida sobre el crculo unitario.

La distribucin von Mises-Fisher, generalizacin de la

anterior a una esfera N-dimensional.

La distribucin semicircular de Wigner, importante en

el estudio de las matrices aleatorias.

Definidas en un intervalo semi-infinito, usualmente

[0,)

La distribucin beta prima.

La distribucin de BirnbaumSaunders, tambin

llamada distribucin de resistencia a la fatiga de
materiales, utilizada para modelar tiempos de fallo.

La distribucin chi.

La distribucin chi no central.

 La distribucin o distribucin de Pearson, que es la
suma de cuadrados de n variables aleatorias
independientes gaussianas. Es un caso especial de
la gamma, utilizada en problemas de bondad de
ajuste.

La distribucin chi-cuadrada inversa.

La distribucin chi-cuadrada inversa escalada.

La distribucin chi-cuadrada no central.

La distribucin de Dagum.

La distribucin exponencial, que describe el tiempo

entre dos eventos consecutivos en un proceso sin
memoria.

La distribucin F, que es la razn entre dos

variables y independientes. Se utiliza, entre otros
usos, para realizar anlisis de varianza por medio del
test F.

La distribucin F no central.

La distribucin de Frchet.

La distribucin gamma, que describe el tiempo

necesario para que sucedan n repeticiones de un
evento en un proceso sin memoria.

La distribucin de Erlang, caso especial de la gamma

con un parmetro k entero, desarrollada para
predecir tiempos de espera en sistemas de lneas de
espera.

La distribucin gamma inversa.

La distribucin gamma-Gompertz, que se utiliza en

modelos para estimar la esperanza de vida.

La distribucin de Gompertz.

La distribucin de Gompertz desplazada.

La distribucin de Gumbel tipo-2.

La distribucin de Lvy.
Distribuciones en las que el logaritmo de una variable
aleatoria est distribuido conforme a una distribucin
estndar:

La distribucin log-Cauchy.

La distribucin log-gamma.

La distribucin log-Laplace.

La distribucin log-logistic.

La distribucin log-normal.

La distribucin de MittagLeffler.

La distribucin de Nakagami.

Variantes de la distribucin normal o de Gauss:

La distribucin normal pleglada.

La distribucin semi normal.

La distribucin de Gauss inversa, tambin conocida

como distribucin de Wald.

La distribucin de Pareto y la distribucin de Pareto

generalizada.

La distribucin tipo III de Pearson.

La distribucin por fases bi-exponencial,

comnmente usada en farmacocintica.

La distribucin por fases bi-Weibull.

La distribucin de Rayleigh.

La distribucin de mezcla de Rayleigh.

La distribucin de Rice.

La distribucin T de Hotelling.
 La distribucin de Weibull o distribucin de Rosin-
Rammler, para describir la distribucin de tamaos
de determinadas partculas.

La distribucin Z de Fisher.

Definidas en la recta real completa

La distribucin de BehrensFisher, que surge en el

problema de BehrensFisher.

La distribucin de Cauchy, un ejemplo de distribucin

que no tiene expectativa ni varianza. En fsica se le
llama funcin de Lorentz, y se asocia a varios
procesos.

La distribucin de Chernoff.

La distribucin estable o distribucin asimtrica alfa-

estable de Lvy, es una familia de distribuciones
usadas e multitud de campos. Las distribuciones
normal, de Cauchy, de Holtsmark, de Landau y de
Lvy pertenecen a esta familia.

La distribucin estable geomtrica.

La distribucin de FisherTippett o distribucin del

valor extremo generalizada.

La distribucin de Gumbel o log-Weibull, caso

especial de la FisherTippett.

La distribucin de Gumbel tipo-1.

La distribucin de Holtsmark, ejemplo de una

distribucin con expectativa finita pero varianza
infinita.

La distribucin hiperblica.

La distribucin secante hiperblica.

La distribucin SU de Johnson.

La distribucin de Landau.

La distribucin de Laplace.
 La distribucin de Linnik.

La distribucin logstica, descrita por la funcin

logstica.

La distribucin logstica generalizada.

La distribucin map-Airy.

La distribucin normal, tambin llamada distribucin

gaussiana o campana de Gauss. Est muy presente
en multitud de fenmenos naturales debido al
teorema del lmite central: toda variable aleatoria que
se pueda modelar como la suma de varias variables
independientes e idnticamente distribuidas con
expectativa y varianza finita, es aproximadamente
normal.

La distribucin normal generalizada.

La distribucin normal asimtrica.

La distribucin gaussiana exponencialmente

modificada, la convolucin de una normal con una
exponencial.

La distribucin normal-exponencial-gamma.

La distribucin gaussiana menos exponencial es la

convolucin de una distribucin normal con una
distribucin exponencial (negativa).

La distribucin de Voigt, o perfil de Voigt, es la

convolucin de una distribucin normal y una
Cauchy. Se utiliza principalmente en espectroscopa.

La distribucin tipo IV de Pearson.

La distribucin t de Student, til para estimar medias

desconocidas de una poblacin gaussiana.

La distribucin t no central.

Definidas en un dominio variable

La distribucin de FisherTippett o distribucin del

valor extremo generalizada, puede estar definida en
la recta real completa o en un intervalo acotado,
dependiendo de sus parmetros.
 La distribucin de Pareto generalizada est definida
en un dominio que puede estar acotado inferiormente
o acotado por ambos extremos.

La distribucin lambda de Tukey, puede estar

definida en la recta real completa o en un intervalo
acotado, dependiendo de sus parmetros.

La distribucin de Wakeby.

Distribuciones mixtas discreta/continua

La distribucin gaussiana rectificada, es una

distribucin normal en la que los valores negativos
son sustituidos por un valor discreto en cero.

Distribuciones multivariable

La distribucin de Dirichlet, generalizacin de la

distribucin beta.

La frmula de muestreo de Ewens o distribucin

multivariante de Ewens, es la distribucin de
probabilidad del conjunto de todas las particiones de
un entero n, utilizada en el anlisis gentico de
poblaciones.

El modelo de BaldingNichols, utilizado en el anlisis

gentico de poblaciones.

La distribucin multinomial, generalizacin de la

distribucin binomial.

La distribucin normal multivariante, generalizacin

de la distribucin normal.

La distribucin multinomial negativa, generalizacin

de la distribucin binomial negativa.

La distribucin log-gamma generalizada

multivariante.

Distribuciones matriciales

La distribucin de Wishart.

La distribucin de Wishart inversa.

La distribucin normal matricial.

 La distribucin t matricial.

Distribuciones no numricas

La distribucin categrica.

Distribuciones miscelneas

Distribucin de Cantor.

Distribuciones logsticas generalizadas.

Distribuciones de Pearson.

Distribucin de tipo fase

Funcin de densidad de probabilidad

Diagrama de Caja y funcin de densidad de probabilidad de una distribucin normal N(0,2).

En la teora de la probabilidad, la funcin de densidad de probabilidad, funcin de

densidad, o, simplemente, densidad de una variable aleatoria continua describe la
probabilidad relativa segn la cual dicha variable aleatoria tomar determinado valor.
La probabilidad de que la variable aleatoria caiga en una regin especfica del espacio de
posibilidades estar dada por la integral de la densidad de esta variable entre uno y otro lmite
de dicha regin.
La funcin de densidad de probabilidad (FDP o PDF en ingls) es no-negativa a lo largo de
todo su dominio y su integral sobre todo el espacio es de valor unitario.

Definicin[editar]

Una funcin de densidad de probabilidad caracteriza el comportamiento probable de una

poblacin en tanto especifica la posibilidad relativa de que una variable
aleatoria continua X tome un valor cercano a x.

Una variable aleatoria X tiene densidad f, siendo f una funcin no-negativa integrable de
Lebesgue, si:

Por lo tanto, si F es la funcin de distribucin acumulativa de X, entonces:

y (si f es continua en x)
 Intuitivamente, puede considerarse f(x) dx como la probabilidad de X de caer en
el intervalo infinitesimal [x, x + dx].

Se define como el cociente entre la probabilidad de X de tomar un valor en

el intervalo [x, x + dx] y dx, siendo dx un infinitsimo.
La mayora de las funciones de densidad de probabilidad requieren uno o ms
parmetros para especificarlas totalmente.
Recprocamente respecto de la definicin ya desarrollada, pueden hacerse las
siguientes consideraciones.
La probabilidad de que una variable aleatoria continua X quede ubicada entre los
valores a y b est dada por el desenvolvimiento en el intervalo de la FDP; de los
valores comprendidos en el rango entre a y b.

La FDP es la derivada (cuando existe) de la funcin de distribucin:

As, si F es la funcin de distribucin acumulativa de X, entonces:

y (si f es continua en x)

Descripcin Intuitiva-Prctica[editar]

En situaciones prcticas, la FDP utilizada se elige entre un nmero relativamente pequeo de

FDP comunes, y la labor estadstica principal consiste en estimar sus parmetros.
Por lo tanto, a los efectos del registro, es necesario saber qu FDP se ha utilizado e indicarlo
en la documentacin de evaluacin de la incertidumbre.

La definicin formal de la funcin de densidad requiere de conceptos de la teora de la

medida.
Si una variable aleatoria X sigue una funcin de probabilidad X*P su densidad con respecto a
una medida de referencia es la derivada de RadonNikodym

Una variable aleatoria continua X con valores en un espacio de medida (habitualmente Rn con
conjuntos Borel como subconjuntos mesurables), tiene como distribucin de probabilidad, la
medida XP en : la densidad de X con respecto a la medida de referencia sobre es
la derivada de RadonNikodym.

Siendo f/; toda funcin medible con la siguiente propiedad:

para todo conjunto medible .

Es decir, es una funcin con la propiedad de que...

...para cada conjunto medible A.

 Funciones de Distribucin de Probabilidad[editar]

A diferencia de la probabilidad, una fdp puede tomar valores mayores que uno. Por ejemplo,
la distribucin uniforme continua en el intervalo [0, ] tiene una densidad de
probabilidad f(x) = 2 para 0 x y f(x) = 0 fuera de tal intervalo.

Hay que advertir que la funcin de densidad no es propiamente nica: dos funciones distintas
pueden representar la misma distribucin de probabilidad si slo difieren en un conjunto de
medida nulo.

Adems, puede haber distribuciones de probabilidad que carezcan de funcin de densidad.

Esto ocurre cuando, sin ser discretas, no le asignan probabilidad positiva a algunos puntos
individuales presentan conjuntos de medida nula.
Esto sucede con la distribucin de Cantor cuando se toma la de Lebesgue como medida de
referencia.

Cuando, como ocurre normalmente en las aplicaciones, X es una variable aleatoria real y es
la medida de Lebesgue, la funcin de densidad es una funcin tal que

De modo que si F es la funcin de distribucin de X, entonces

Intuitivamente, se puede pensar que (x) dx es la probabilidad de que X asuma valores en

el intervalo infinitesimal [x, x + dx].

Propiedades[editar]

De las propiedades de la funcin de densidad se siguen las siguientes propiedades de

la fdp (a veces visto como pdf del ingls):

para toda .

El rea total encerrada bajo la curva es igual a 1:

La probabilidad de que tome un valor en el intervalo es el rea bajo la curva de la

funcin de densidad en ese intervalo o lo que es lo mismo, la integral definida en dicho
intervalo. La grfica f(x) se conoce a veces como curva de densidad.

Algunas FDP estn declaradas en rangos de a , como la de la distribucin normal.