DISTRIBUCIONES COMUNES DE PROBABILIDAD

DISTRIBUCIONES DISCRETAS
Nombre Definición de la variable aleatoria X Parámetros Función de Masa de Probabilidad Media Varianza
𝒑(𝒙)
Bernoulli 𝑝𝑥 (1 − 𝑝)1−𝑥
0≤𝑝≤1 p p(1-p)
𝑥 = 0, 1
BINOMIAL1

Número de éxitos en n ensayos 𝑛

𝑛 > 1, 𝑛 ∈ 𝑁 ( ) 𝑝𝑥 (1 − 𝑝)𝑛−𝑥
independientes de tipo Bernoulli. Con 𝑥 np np(1-p)
0≤𝑝≤1 𝑥 = 0, 1, 2, … . 𝑛
probabilidad de éxito p constante

Número de pruebas s antes del r -

𝑥 − 1 𝑟 (1 𝑟
ésimo éxito en ensayos 𝑟 = 1, 2, …. ( )𝑝 − 𝑝) 𝑥−𝑟 𝑟(1 − 𝑝)
PASCAL2

𝑟−1
independientes de tipo Bernoulli. Con 0≤𝑝≤1 𝑥 = 𝑟, 𝑟 + 1, 𝑟 + 2, …. 𝑝 𝑝2
probabilidad de éxito p constante

Número de fracasos antes del r -ésimo

NEGATIVA2

𝑥 + 𝑟 − 1 𝑟 (1
BINOMIAL

éxito en ensayos independientes de 𝑟 = 1, 2, …. ( )𝑝 − 𝑝) 𝑥 𝑟(1 − 𝑝) 𝑟(1 − 𝑝)

𝑟−1
tipo Bernoulli. Con probabilidad de 0≤𝑝≤1 𝑥 = 0, 1, 2, …. 𝑝 𝑝2
éxito p constante

𝑀 𝑁 −𝑀
HIPERGEOMÉ-

Número de éxitos extraídos de una ( )( )

muestra aleatoria de tamaño n de 𝑁, 𝑀, 𝑛 ∈ 𝑍 + 𝑥 𝑛−𝑥 𝑀 𝑁−𝑛 𝑀 𝑀
𝑁 𝑛( ) ( ) 𝑛 ( ) (1 − )
una población compuesta de M éxitos ( ) 𝑁 𝑁−1 𝑁 𝑁
TRICA3

𝑛
y N-M fallas 𝑥 = 0, 1, 2, … 𝑚𝑖𝑛{𝑛, 𝑀}

Número de impulsos (arribos) que

POISSON4

(λt)𝑥 𝑒 −λ𝑡
PROCESO

ocurren con intensidad λ durante un

λ, t >0 𝑥! λt λt
intervalo de tiempo t
𝑥 = 0, 1, 2, … …
DE

1
Cuando n es grande (n→∞) y p pequeña (p→0) la distribución binomial converge en probabilidad (se aproxima a) a la distribución Poisson con λ=np.
2
Cuando r=1 se tiene la distribución geométrica.
3 𝑛 𝑴
Cuando N es grande y la relación 𝑁 < .05 La distribución Hipergeométrica converge en probabilidad (se aproxima a) a la distribución binomial con 𝒑 = 𝑵 .
4
Cuando t=1 se tiene la distribución de Poisson.

DISTRIBUCIONES CONTINUAS

Nombre Una definición Parámetros Función de Densidad de Probabilidad Función de Distribución Media Varianza
𝒇(𝒙) Acumulada 𝑬[𝑿] 𝑽𝑨𝑹[𝑿]
𝑭(𝒙) = 𝑷(𝑿 ≤ 𝒙)
1 𝑥 −𝐴
Uniforme 𝐴+𝐵 (𝐵 − 𝐴)2
A, B ∈ 𝑅 𝐵−𝐴 𝐵−𝐴
𝐴≤𝑥≤𝐵 𝐴≤𝑥≤𝐵 2 12
Tiempo hasta la falla ó
Exponen- 𝜆𝑒 −λ𝑥 1 − 𝑒 −λ𝑥 1 1
tiempo entre dos llegadas
cial λ>0
consecutivas en un proceso λ λ2
𝑥>0 𝑥≥0
de Poisson
1 𝑥
Tiempo hasta la α-ésima − 𝑥
𝑥 𝛼−1 𝑒 𝛽 1 𝑡
llegada en un proceso de 𝛼>0 Γ(𝛼)𝛽𝛼 −
Gamma5 ∫ 𝑡 𝛼−1 𝑒 𝛽 𝑑𝑡 𝛼𝛽 𝛼𝛽2
Poisson (cuando α es un 𝛽>0 Γ(𝛼)𝛽 𝛼
0
entero positivo) 𝑥>0
1 𝜈 𝑥 𝑥
𝜈>0 2−1 −2
Ji cuadrado 𝜈 𝜈𝑥 𝑒 ∫ 𝑓(𝑡)𝑑𝑡 = 1 − 𝛼 𝜈
2𝜈
Γ (2) 22
(Χ 2 ) 0
Nota 6 Nota 7

𝜈+1 (𝜈+1)
− 2
Γ( 2 ) 𝑥2 𝑥 𝜈
t de 𝜈 [1 + ( )] ∫ 𝑓(𝑡)𝑑𝑡 = 1 − 𝛼
𝜈>0 Γ (2) √𝜋𝜈 𝜈 0 𝜈−2
Student −∞
Nota 7
−∞ < 𝑥 < ∞
𝜈 𝜈 𝜈22(2𝜈2 + 2𝜈1 − 4)
𝜈1 + 𝜈2 21 22 𝑥 𝜈2
Γ(
𝜈1 > 0 2 ) 𝜈1 𝜈2 𝑥 𝜈12−2 (𝜈 + 𝜈 𝑥)−𝜈1+𝜈
2
2
∫ 𝑓(𝑡)𝑑𝑡 = 1 − 𝛼 𝜈2 − 2 𝜈1 (𝜈2 − 2)2(𝜈2 − 4)
F 𝜈2 > 0 𝜈 𝜈 2 1
Γ ( 21 ) Γ ( 22 ) 0
Nota 7 𝜈2 > 2 𝜈2 > 4
𝑥>0
5
También conocida como distribución de Erlang cuando α es un entero positivo. NOTA: Γ(α)=(α-1)!
 DISTRIBUCIÓN NORMAL y LOGNORMAL
NOMBRE Parámetros Función de Densidad de Media Varianza
Probabilidad 𝒇(𝒙)
Normal 1 1 𝑥−𝜇 2
𝑒 −2( 𝜎 )
−∞ ≤ 𝜇 ≤ ∞ √2𝜋𝜎 𝜇 𝜎2
𝜎2 > 0 −∞ ≤ 𝑥 ≤ ∞

1 𝑧2
𝑒− 2
−∞ ≤ 𝑧 ≤ ∞ √2𝜋
Normal Estándar 0 1
−∞ ≤ 𝑧 ≤ ∞
2
(ln(𝑥)−𝜇𝑦)
1 −
2𝜎𝑦2
−∞ ≤ 𝜇 ≤ ∞ 𝑒 𝜎𝑦2 2 2
Lognormal8 𝜎𝑦 𝑥√2𝜋 𝑒 (𝜇𝑦+ 2 ) (𝑒 𝜎𝑦 − 1)𝑒 2𝜇𝑦+𝜎𝑦
𝜎2 > 0
𝑥>0
𝑋−𝜇
Variable Estandarizada 𝑍 = 𝜎 𝑎−𝜇 𝑏−𝜇 𝑏−𝜇 𝑎−𝜇
𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = 𝑃 ( 𝜎 ≤ 𝑍 ≤ 𝜎 ) = 𝐹 ( 𝜎 ) − 𝐹 ( 𝜎 )
𝐸[𝑍] = 0 y 𝑉𝐴𝑅[𝑍] = 1 como toda variable
NOTA: Estos últimos valores se encuentran en tablas
estandarizada.
5
También conocida como distribución de Erlang cuando α es un entero positivo. NOTA: Γ(α)=(α-1)!
6
𝜈, 𝜈1 y 𝜈2 se denominan “grados de libertad”
7
Los percentiles 𝒙 para algunos valores de α y de los “grados de libertad” se encuentran en las tablas correspondientes
ln(𝑥)−𝜇𝑦
8
La variable aleatoria X cuyos logaritmos Y = ln(X) con Y~𝑁(𝜇𝑦 , 𝜎𝑦2 ). En este caso 𝑍 = tiene distribución normal estándar y sus valores se encuentran en
𝜎𝑦
tablas.

Construcción y diseño: Nora Patricia Rocha Miller

Bibliografía: George C. Canavos, Probabilidad y Estadística, Aplicaciones y Métodos. Jay L. Devore, Probabilidad y Estadística para
ingeniería y ciencias, Octava edición.