FORMULARIO DE DISTRIBUCIONES DE

PROBABILIDAD

Jorge M. Galbiati

pág.

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

Función de probabilidad:
n!
p(x) = px (1 − p)n−x si x = 0, 1, 2, ..., n
x!(n − x)!

Espacio paramétrico: n ∈ {1, 2, 3, ...} p ∈ (0, 1)

Valor esperado: np

Varianza: np(1 − p)

Función generadora de momentos: (1 − p + p et )n

F(x)
p(y)

0 x n y

APROXIMACION NORMAL DE LA BINOMIAL

Si una variable aleatoria X tiene distribución binomial con parámetros n y p,

entonces si n es grande y si p no es ni muy cercano a cero ni muy cercano a 1, la
X−np
variable aleatoria Z = √(np(1−p)) tiene distribución aproximada normal es’tandar.
En la práctica, si n es grande y p no es ni muy pequeño ni muy grande, si se requiere
la probabilidad acumulada F (x) con F distribución binomial, se puede obtener su
valor aproximado buscando en la tabla normal

x − 0,5 − np 
FN √
(np(1 − p)
en que FN es la distribución normal estándar. Se puede utilizar, como criterio, las
condiciones simultáneas n > 30 , np > 5 y n(1 − p) > 5.

2
 APROXIMACION POISSON DE LA BINOMIAL.

Si una variable aleatoria X tiene distribución binomial con parámetros n y p, en-

tonces si n es grande, y p muy cercano a cero, la variable aleatoria X tiene distribu-
ción aproximada poisson con parámetro λ = np.
En la práctica, si n es grande y p cercano a cero, si se requiere la probabilidad acu-
mulada F (x) con F distribución binomial, se puede obtener su valor aproximado
buscando en la tabla poisson

x
e−λ (λ)y
FP (x) =
y=0
y!

en que FP es la distribución poisson con parámetro λ = np. Se puede utilizar, como

criterio, las condiciones simultáneas n > 30 y np ≤ 5.

3
 DISTRIBUCION POISSON

Función de probabilidad:

e−λ λx
p(x) = si x = 0, 1, 2, ...
x!

Espacio paramétrico: λ ∈ (0, +∞)

Valor esperado: λ
Varianza: λ
e[λ(e −1)]
t
Función generadora de momentos:

F(x)
p(y)

0 x y

APROXIMACION NORMAL DE LA POISSON.

Si una variable aleatoria X tiene distribución Poisson con parámetro λ , entonces

si λ es grande, la variable aleatoria Z = X−λ
√
λ
tiene distribución aproximada normal
estándar.
En la práctica, si λ es grande, si se requiere la probabilidad acumulada F (x) con F
distribución Poisson, se puede obtener su valor aproximado buscando en la tabla
normal
x − λ
FN √
(λ
en que FN es la distribución normal estándar. Se puede utilizar, como criterio, la
condición λ > 36 .

4
 DISTRIBUCION HIPERGEOMETRICA

Función de probabilidad:
(N −k)!
k!
n!(n−k)!
× (n−x)!(N −k−n+x)!
p(x) = N!
si x = a, a + 1, a + 2, ..., b
n!(N −n)!

en que a = max(0; n + k − N) y b = min(k, n). x es el número de éxitos en la

muestra.

Espacio paramétrico: N,k y n enteros positivos, tales que k < N, n < N y

n < N − k.
N es el tamaño de la población.
k es el número de éxitos en la población.
n es el tamaño de la muestra.

nk
Valor esperado: N


−n

Varianza: nk
N
(1 − k
N
) N
N −1

Función generadora de momentos:

(N − n)!(N − k)!
H(−n; −k; N − k − n + 1; et )
N!

pq z p(p+1)q(q+1) z 2 p(p+1)(p+2)q(q+1)(q+2) z 3
donde H(p, q, r, z) = 1 + r 1!
+ r(r+1) 2!
+ r(r+1)(r+2) 3!

(función hipergeométrica)

F(x)
p(y)

x b y
a

5
 APROXIMACION BINOMIAL DE LA HIPERGEOMETRICA

Si una variable aleatoria X tiene distribución hipergeométrica con parámetros

N, k y n, entonces si N es grande y si Nk no es ni muy cercano a cero ni muy
cercano a 1, X tiene distribución aproximada binomial con parámetros n y p = Nk .

6
 DISTRIBUCION GEOMETRICA

Función de probabilidad:

p(x) = p(1 − p)x−1 si x = 1, 2, 3, ...b

x es el número de intentos hasta lograr el primer éxito.

Espacio paramétrico: p ∈ (0, 1), probabilidad de éxito en un intento.

1
Valor esperado: p

1−p
Varianza: p2

t
Función generadora de momentos: e
p 1−(1−p)e t si t < −log(1 − p)

F(x)
p(y)

x b y
a

7
 DISTRIBUCION NORMAL

Función de probabilidad:
1  (x − µ)2 
p(x) = √ exp − para x ∈ (−∞, +∞)
(2π) · σ 2σ 2

Espacio paramétrico: media µ ∈ (−∞, +∞) varianza σ 2 ∈ (0, +∞)

Valor esperado: µ

Varianza: σ2

2 t2 /2)
Función generadora de momentos: e(µt+σ

f(y)

F(x)

0 x y

DISTRIBUCION NORMAL ESTANDAR

Es un caso especial de la normal, en que µ = 0 y σ 2 = 1.

Función de densidad:
1  x2 
f (x) = √ exp − para x ∈ (−∞, +∞)
(2π) 2

Valor esperado: 0

Varianza: 1

2 /2
Función generadora de momentos: et

8
 RELACION CON LA NORMAL ESTANDAR

Los valores de la función de distribución de la normal con parámetros µ y σ 2 se

obtienen de la tabla de distribución normal estándar (en que µ = 0 y σ 2 =1)
como se muestra a continuación. Por esa razón sólo se entrega la tabla de la normal
estándar.
Si se requiere la probabilidad acumulada hasta la cuantila x, se efectúa la transfor-
mación z = x−µ σ
y se busca la probabilidad asociada a la cuantila z en la tabla de
distribución normal estándar.
Al revés, si se quiere saber a qué cuantila corresponde una probabilidad acumulada
dada, F (z), se busca la cuantila z asociada a F (z) en la tabla de distribución nor-
mal estándar. Entonces la correspondiente cuantila de la normal con parámetros
µ y σ 2 es x = σz + µ.

9
 FUNCIONES LINEALES DE NORMALES

1.- Si X es una variable aleatoria normal con valor esperado µ y varianza σ 2 , si a

y b son constantes, entonces la variable aleatoria a + bX tiene distribución normal,
con valor esperado a + bµ y varianza b2 σ 2 .
Como caso particular, la variable aleatoria estandarizada Z = X−µ σ
tiene distribu-
ción normal estándar.
2.- Si X1 y X2 son variables aleatorias normales (pág. 50), estadı́sticamente inde-

pendientes, con valores esperados respectivos µ1 y µ2 , con varianzas respectivas

σ12 y σ22 , y si a y b son dos números reales, entonces la variable aleatoria aX1 + bX2
tiene distribución normal con valor esperado aµ1 + bµ2 y varianza a2 σ12 + b2 σ22 .
3.- Si X1 , X2 , ...., Xn son n variables aleatorias normales con valor esperado µ,
n
y varianza σ 2 entonces el promedio X= n1 i=1 Xi tiene distribución normal con
valor esperado µ y varianza σ 2 /n.

TEOREMA DEL LIMITE CENTRAL

Si X1 , X2 , ...., Xn son n variables aleatorias estadı́sticamente independientes, con

valor esperado µ y varianza σ 2 y cualquier distribución probabilı́stica, continua o
X−µ
√ tiene distribución
discreta, entonces si n es grande, la variable aleatoria Z= σ/ n
aproximada normal estándar

10
 DISTRIBUCION JI CUADRADO

Función de densidad:
1
f (x) = xk/2−1 e−x/2 si x > 0
2k/2 Γ(k/2)

Espacio paramétrico: Grados de libertad k ∈ {1, 2, 3, ...}

Valor esperado: k

Varianza: 2k

k/2
1
Función generadora de momentos: 1−2t
para t < 1/2

f(y)

F(x)

0 x y

APROXIMACION NORMAL DE LA JI-CUADRADO.

Si una variable aleatoria X tiene distribución ji-cuadrado con k grados de libertad,

entonces si k es grande la variable aleatoria Z = √X−k
(2k)
tiene distribución aproximada
normal standard.
En la práctica, si k es grande, si se requiere la probabilidad acumulada F (x) con
F distribución ji-cuadrado, se puede obtener su valor aproximado buscando en la
tabla normal
x−k 
FN √
(2k)
en que FN es la distribución normal estándar. Se puede utilizar, como criterio, la
condición k > 200.

11
 CONSTRUCCION DE UNA JI-CUADRADO A PARTIR DE NORMALES

1.- Si Z1 , Z2 , ...., Zn son n variables aleatorias normales estándar estadı́stica-


mente independientes, entonces la variable aleatoria ni=1 Zi2 tiene distribución
ji-cuadrado con n grados de libertad.

2.- Si X1 , X2 , ...., Xn son n variables aleatorias normales con valor esperado µ y

 2
varianza σ 2 , independientes, entonces la variable aleatoria ni=1 (Xiσ−X)
2 tiene dis-
tribución ji-cuadrado con n − 1 grados de libertad.
Además esta expresión es estadı́sticamente independiente del promedio X.

12
 DISTRIBUCION T DE STUDENT

Función de densidad:


Γ k+1
2 1 1
f (x) =   ·√ · para x ∈ (−∞, +∞)
Γ k/2 (kπ)
x2
 k+1
2
1+ k

Espacio paramétrico: Grados de libertad k ∈ {1, 2, 3, ...}

Valor esperado: 0 para k > 1

k
Varianza: k−2
para k > 2

Función generadora de momentos: no existe

f(y)

F(x)

0 x y

VALORES DE PROBABILIDAD MENORES QUE 0.5

Por la simetrı́a de la distribución t de student , rige la igualdad F (−x) = 1 −F (x).

Por esa razón, la tabla sólo 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 distribución t de student con k grados de libertad,

entonces si k es grande la variable aleatoria X tiene distribución aproximada normal
standard.
En consecuencia, si k es grande, si se requiere la probabilidad acumulada F (x) con
F distribución t de student, se puede obtener su valor aproximado buscando en la
tabla normal el valor FN (x) , en que FN es la distribución normal standard. Se
puede utilizar, como criterio, la condición 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 estándar y V es una variable aleatoria

ji-cuadrado con n grados de libertad, ambas estadı́sticamente independientes,
Z
entonces la variable aleatoria √(X/n) tiene distribución t de student con n grados
de libertad.

2.- Si X1 , X2 , ...., Xn son n variables aleatorias normales con valor esperado µ

y varianza σ 2 , estadı́sticamente independientes, entonces la variable aleatoria
√ tiene distribución t de student con n − 1 grados de libertad, en que X es el
X−µ
s/ n
 2
promedio y s2 = ni=1 (Xn−1i −X)
es la varianza muestral.

14
 DISTRIBUCION F DE SNEDECOR

Función de densidad:


Γ n+d
2

n/2 xn/2−1
f (x) =

 · n/d ·
 n+d si x > 0
Γ n2 · Γ d2 1 + nd x
2

Espacio paramétrico: grados de libertad del numerador n y grados de libertad

del denominador d ambos enteros positivos.

d
Valor esperado: d−2
para d > 2

2d2 (n+d−2)
Varianza: n(d−2)2 (d−4)
para d > 4

Función generadora de momentos: no existe

f(y)

F(x)

0 x y

INVERSION DE LA F DE SNEDECOR

Se puede usar la siguiente relación para calcular valores que no aparecen en la tabla:
Si la variable aleatoria X tiene distribución F con n grados de libertad del numerador
y d grados de libertad del denominador, entonces 1/X tiene distribución F, con d
grados de libertad del numerador y n grados de libertad del denominador.
Por lo tanto se pueden obtener más valores de los que aparecen en la tabla, mediante
en la relación Fn,d (x) = 1 − Fd,n ( x1 ) en que F es el valor de probabilidad acumulada
de la tabla, el primer subı́ndice 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, estadı́sticamente indepen-
dientes, entonces el cuociente X/n
Y /d
tiene distribución F de Snedecorcon n grados
de libertad en el numerador y d grados de libertad en el denominador.

Y /d
2.-También X/n tiene distribución F de Snedecor con d grados de libertad en el
numerador y n grados de libertad en el denominador.

16
 DISTRIBUCION UNIFORME

Función de densidad:
1
f (x) = si a < x ≤ b
b−a
Espacio paramétrico:

−∞ < a, b < ∞ a<b

a+b
Valor esperado: 2

(b−a)2
Varianza: 12

Función generadora de momentos:

ebt − eat
(b − a)t

f(y)

1
b-a
F(x)

0 a x b y

VALORES DE LA DISTRIBUCION UNIFORME

La función de distribución de la uniforme se puede calcular analı́ticamente mediante

la fórmula
0 si x ≤ a
F (x) = x−a
b−a
si a < x ≤ b
1 si x > b

17
 DISTRIBUCION EXPONENCIAL

Función de densidad:

f (x) = λ · e−λx si x > 0

Espacio paramétrico: T asa media de ocurrencia λ > 0

1
Valor esperado: λ

1
Varianza: λ2

λ
Función generadora de momentos: λ−t
para t < λ

f(y)

F(x)

0 x y

VALORES DE LA DISTRIBUCION EXPONENCIAL

La función de distribución de la exponencial se puede calcular analı́ticamente me-

diante la fórmula F (x) = 1 − e−λx para x > 0.

18
 RELACION ENTRE UNA POISSON Y UNA EXPONENCIAL

1.- Si X es una variable aleatoria Poisson con parámetro λ, que describe el número
de ocurrencias de un fenómeno por unidad de tiempo, entonces la variable aleato-
ria que describe el tiempo entre ocurrencias tiene distribución exponencial con
parámetro λ. En tal caso el parámetro λ es la ”tasa media de ocurrencias” por
unidad de tiempo, y θ = 1/λ es el ”tiempo medio entre ocurrencias”.

2.- En forma recı́proca, si Y es una variable aleatoria exponencial con parámetro

λ, que describe el tiempo entre ocurrencias de un fenómeno, entonces el número de
veces que ocurre el fenómeno en una unidad de tiempo, es una variable aleatoria
con distribución Poisson, con el mismo parámetro, que representa la ”tasa media
de ocurrencias” por unidad de tiempo.

19
 DISTRIBUCION GAMA

Función de densidad: Hay dos formas usuales de parametrizar esta distribución.

Primera parametrización (Par. 1):

λp
f (x) = xp−1 e−λx si x>0
Γ(p)

Segunda parametrización (Par. 2):

1
xp e− θ
x
f (x) = si x>0
θp Γ(p)

Espacio paramétrico:

Par. 1: P arametro de escala λ > 0

P arametro de f orma p > 0

Par. 2: P arametro de escala θ > 0

P arametro de f orma p > 0

p
Valor esperado: Par. 1: λ
Par. 2: pθ

Varianza: Par. 1: p
λ2
Par. 2: p θ2

Función generadora de momentos:

 λ p

Par. 1: λ−t
para t < λ

1 1
Par. 2: (1−θt)p
para t < θ

20
 f(y)

F(x)

0 x y

Casos particulares:

1) Si p=1 (parámetro de forma) entonces la gama se convierte en una expo-

nencial cuyo parámetro es igual al parámetro de escala de la gama, λ (Par. 1) o
equivalentemente θ (Par. 2).

2) Si p= 12 k , en que k es cualquier número entero positivo, y si λ= 12 (Par. 1) o

equivalentemente θ=2 (Par. 2) , entonces la gama se convierte en una ji-cuadrado
cuyo parámetro grados de libertad es igual a k.
La función de distribución gama no se puede calcular analı́ticamente, salvo en casos
especiales.

21
 RELACIONES ENTRE GAMAS

Lo siguiente se expresa en términos de la primera parametrización, con el parámetro

λ . Es equivalente para la segunda parametrización, con el parámetro θ. Sólo se debe
sustituir λ por θ.

1.- Si X1 , X2 , ...., Xn son n variables aleatorias gama estadı́sticamente indepen-

dientes, con parámetros de forma respectivos p1 , p2 , ...., pn , y con parámetro de

escala común λ, entonces la variable aleatoria Y = ni=1 Xi tiene distribución gama

con parámetro de forma p = ni=1 pi y parámetro de escala λ.

2.- Si X1 y X2 son variables aleatorias gama estadı́sticamente independientes,

con parámetros de forma respectivos p1 y p2 y parámetro de escala común λ en-
tonces las variables aleatorias U=X1 + X2 y V = X1X+X 1
2
son independientes, U
tiene distribución gama con parámetro de forma p1 + p2 y de escala λ , y V tiene
distribución beta (pág. 104) con parámetros r = p1 y s = p2 .

3.- Caso especial de 1. Si X1 , X2 , ...., Xn son n variables aleatorias exponenciales

estadı́sticamente independientes, con parámetro común λ, entonces la variable

aleatoria Y = ni=1 Xi tiene distribución gama con parámetro de forma p = n y
parámetro de escala λ.
A esta forma especial de gama, con parámetro de forma entero, se le suele dar el
nombre de distribución erlang.

4.- Caso especial de 1. Si X1 , X2 , ...., Xn son n variables aleatorias ji-cuadrado

estadı́sticamente independientes, con parámetros respectivos (grados de liber-

tad) k1 , k2, ...., kn , entonces la variable aleatoria Y = ni=1 Xi tiene distribución ji-

cuadrado con k = ni=1 ki grados de libertad.

22
 DISTRIBUCION BETA

Función de densidad:

Γ(r + s) r−1
f (x) = x (1 − x)s−1 si 0<x<1
Γ(r) Γ(s)

Espacio paramétrico:

r>0, s>0

r
Valor esperado: r+s

rs
Varianza: (r+s)2 (r+s+1)

Momentos: La función generadora de momentos no tiene una forma

analı́tica. Sin embargo, el momento m-ésimo puede obtenerse directamente, medi-
ante la fórmula

µm = (r+s+1)! (r+m)!
(r+s+m+1)! r!
para m=1, 2, ..

f(y) f(y)

F(x) F(x)

0 x 1 y 0 x 1 y

En la figura de la izquierda, r < s, mientras que en la figura de la derecha, r > s.

Si r y s son iguales, la densidad es simétrica.

23
La función de distribución beta no se puede calcular analı́ticamente, salvo en casos
especiales.

Caso particular:

Si r=1 y s=1 entonces la beta se convierte en una uniforme con parámetros a=0
y b=1.

24
TRANSFORMACION DE VARIABLES ALEATORIAS CONTINUAS

1.- Si X es una variable aleatoria continua con función de densidad fX (x) y g() es
una función creciente, entonces la nueva variable aleatoria Y = g(X) tiene función
de densidad dada por la fórmula

1
fY (y) = f [g −1(y)]
|g
[g −1 (y)]| X

en que || denota el valor absoluto, g  es la derivada y g −1 es la inversa de la función

g.

2.- Caso especial de 1. Si la función g(x) del párrafo 1 es una función lineal
g(x) = a + bx, en que a y b son constantes, b = 0, entonces la variable aleatoria
Y = g(X) tiene densidad

1
 
fY (y) = f y−a
|b| X b
)

25