1

DISTRIBUCIONES DE PROBABILIDAD
Notas
Indice
INDICE................................................................................................................................................................. 1
1. OBJETIVOS ...................................................................................................................................................... 1
2 FUNCIN DE DISTRIBUCIN DE PROBABILIDAD, FUNCIN DE DENSIDAD Y FUNCIN CARACTERSTICA DE UNA
VARIABLE ALEATORIA............................................................................................................................................ 1
3. PROPIEDADES DE LA FUNCIN DE DENSIDAD...................................................................................................... 3
3. PROPIEDADES DE LAS DIFERENTES DISTRIBUCIONES DE PROBABILIDAD DISCRETAS ............................................. 4
4. PROPIEDADES DE LAS DIFERENTES DISTRIBUCIONES DE PROBABILIDAD CONTINUA............................................... 8
APNDICE 1. CONDICIONES DE CONVERGENCIA ENTRE ALGUNAS DISTRIBUCIONES................................................ 16
APNDICE 2. TABLA RESUMEN DE LAS MEDIAS Y VARIANZAS DE LAS PRINCIPALES DISTRIBUCIONES ........................ 17
1. Objetivos
Estimar la esperanza matemtica y la varianza de una variable aleatoria discreta
Conocer las principales distribuciones de probabilidad discretas y continuas, saber sus condiciones de
aplicacin
Saber estimar probabilidades con las distribuciones ms frecuentes
Conocer las distribuciones derivadas de la Normal:
2
(ji) cuadrado de Pearson, t de Student y F de
Snedecor
2 Funcin de distribucin de probabilidad, funcin de densidad y funcin
caracterstica de una variable aleatoria
Definicin. La funcin de densidad de una variable aleatoria X permite trasladar la medida de probabilidad
o "suerte" de realizacin de los sucesos de una experiencia aleatoria a la caracterstica numrica que define
la variable aleatoria.
Para definir F, la funcin distribucin de probabilidad de X , distinguiremos el caso discreto, donde los
posibles valores de X forman un conjunto discreto (finito o numerable), del continuo, donde el recorrido de
la variable aleatoria es un intervalo de la recta real:
Si X es discreta su funcin de distribucin se define por
( ) ( ) ( ) F Pr f
i
x x
x X x x

= =

donde
i
x x designa a aquellos valores que son inferiores o iguales a x
En el caso de que X sea continua se tiene
( ) ( ) ( ) F Pr f
x
x X x x dx

= =

cualquiera que sea el valor de x ,

donde: f : , funcin de densidad, es no negativa e integrable.
2
0%
5%
10%
15%
20%
25%
30%
35%
40%
0 1 2 3
2.1. Funcin de probabilidad (variables discretas)
Asigna a cada posible valor de una variable discreta su probabilidad.
(Revisar los conceptos de frecuencia relativa y diagrama de barras).
2.2. Funcin de densidad (variables continuas)
Definicin: es una funcin no negativa de integral 1. Resulta de la generalizacin del histograma con
frecuencias relativas para variables continuas.
Para qu se usa?: directamente, nunca.
Propiedades:
Sus valores no representan probabilidades.
Muchos procesos aleatorios vienen descritos por variables de forma que son conocidas las
probabilidades en intervalos.
La integral definida de la funcin de densidad en dichos intervalos coincide con la probabilidad de los
mismos.
Es decir, identificamos la probabilidad de un intervalo con el rea bajo la funcin de densidad.
As pues, La funcin de densidad (f.d.) es una funcin ( ) f x definida en ( ) , que debe verificar:
3
( ) f 0 x
y
( ) f 1 x dx

Su representacin grfica es una funcin positiva (sobre el eje de abscisas) que encierra un rea de 1 con
el eje de abscisas.
Se usa para calcular probabilidades:
( ) ( )
( ) | | ( ) ( )
Pr f
Pr Pr , f
b
a
X A x dx
a X b X a b x dx

=
= =

En variables aleatorias continuas toda probabilidad puntual siempre vale cero, es decir
( ) ( ) Pr f 0
b
a
X a x dx = = =

2.3. Funcin de distribucin

Es la funcin que asocia a cada valor de una variable, la probabilidad acumulada de los valores
inferiores o iguales.
( ) ( ) ( ) F Pr f
x
x X x t dx

= =

2.4. Generalizacin de las frecuencias acumuladas. Diagrama integral.

A los valores extremadamente bajos les corresponden valores de la funcin de distribucin cercanos a
cero.
A los valores extremadamente altos les corresponden valores de la funcin de distribucin cercanos a
uno.
Lo encontraremos en los artculos y aplicaciones en forma de valor p , significacin,
3. Propiedades de la funcin de densidad
3.1. Caso continuo
(a) Generales:
( )
( )
( )
0 F 1
F 0
F 1
x
=
=
4
(b) ( ) F x es continua y creciente
(c) Pasar de ( ) F x a ( ) f x :
( ) ( )
( )
( ) ( )
F
f F
f F
integrar
derivar
d x
x x
dx
x x
= =

(d) ( ) ( ) ( ) ( ) ( ) ( ) ( ) Pr Pr Pr Pr f F F
b
a
a X b a X b a X b a X b x dx b a < < = = < = < = =

(e) La funcin caracterstica es, salvo por un signo, la transformada de Fourier de la funcin densidad de
probabilidad. Se define
( ) ( ) ( ) f
j X
w e x dx

= =

E
3.2. Caso discreto
La funcin caracterstica es en el caso discreto:
( ) ( ) ( ) Pr
i
j X j X
i
i
w e e X x

= = =

E
3.3. Observaciones
La funcin caracterstica existe siempre, es decir, siempre se puede calcular la integral o la serie.
Sus principales propiedades son:
(a) ( ) 0 1 =
(b) ( ) 1
(c) Si Y a X b = + , entonces ( ) ( ) Y e j b X a =
(d) Si ( ) f x es par, entonces ( ) es par y real
La funcin caracterstica identifica de modo nico una variable aleatoria debido a la frmula de inversin:
( ) ( )
1
f
2
j X
x e x dx

=

La frmula de inversin, derivada de la transformada inversa de Fourier, permite identificar de forma nica la
funcin densidad de probabilidad de una variable aleatoria. Es decir, dos variables aleatorias con funciones
caractersticas iguales, tienen funciones de densidad iguales.
3. Propiedades de las diferentes distribuciones de probabilidad discretas
3.1. Distribucin de Bernoulli [XBe(p)]
Si al realizar un experimento slo son posibles dos resultados, se habla de experimento de Bernoulli:
1 X = xito, con probabilidad p ;
0 X = fracaso, con probabilidad 1 q p = .
Funcin de probabilidad:
5
( ) ( )
1
1 0, 1
x
x
p x p p x

= =
Cuando el resultado es dicotmico, la distribucin queda caracterizada con el parmetro p .
Si se repite un nmero fijo de veces, n , un experimento de Bernoulli con parmetro p , el nmero de xitos
sigue una distribucin binomial de parmetros ( ) , n p .
La repeticin del experimento no altera las probabilidades de xito o fracaso.
Este modelo se puede aplicar a:
Poblaciones finitas: se toman elementos al azar con remplazamiento (urna con bolas, encuestas);
Poblaciones infinitas: se observan elementos al azar en un proceso generador estable (constante) y
sin memoria (observaciones independientes). (sexo de un recin nacido, produccin de una
mquina).
Media: ( ) X p = E
Varianza: ( ) ( ) var 1 X p p =
3.2. Distribucin binomial [ XB(n, p)]
Una variable aleatoria binomial representa el nmero de xitos que ocurren en n repeticiones
independientes de un ensayo de Bernoulli cuya probabilidad de xito es p .
Funcin de probabilidad:
( ) Pr 0
k n k
n
X k p q k n
k

| |
= =
|
\ .
Problemas de clculo si n es grande y/o p cercano a 0 1.
Media: ( ) X n p = E
Varianza: ( ) ( ) var 1 X n p p =
Ejemplo: sea X el nmero de varones en una familia de tres hijos y sea V el evento ser varn, con
( ) Pr V p = y el evento M ser mujer, con ( ) Pr 1 M p q = = . Calcular ( ) Pr 2 X = .
Solucin intuitiva
( )
2
2 o o
Pr 2 3
X VV M V MV MVV
X p pq pq p q p p p q
=
= = + + =
Solucin utilizando el modelo binomial:
Cumple las hiptesis del modelo binomial (dos casos; se asume que la probabilidad no se altera,
3 n = )
6
( ) ( )
3 2
2 2
3
Pr 2 1 3
2
X p p p q
| |
= = =
|
\ .
3.3. Distribucin geomtrica [XG(p)]
Una variable aleatoria geomtrica representa el nmero de repeticiones hasta obtener el primer xito, en la
realizacin de ensayos de Bernoulli con probabilidad p de xito.
Funcin de probabilidad:
( ) ( )
1
Pr Pr 1 1, 2,
x
x p x

= =
Tambin se puede definir como el nmero de fracasos que ocurren hasta obtener el primer xito:
( ) ( ) Pr Pr 1 1, 2,
y
y p y = =
Nota: 1 y x =
donde: x es el nmero de repeticiones hasta conseguir el primer xito.
Funcin de distribucin:
( ) ( ) ( ) F Pr 1 1 1, 2,
x
x X x p x = = =
Media: ( )
1
X
p
= E
Varianza: ( )
2
1
var
p
X
p

=
A su vez, siendo Y el nmero de fracasos hasta conseguir el primer xito.
Funcin de distribucin:
( ) ( )
1
F 1 1 1, 2,
y
y p y
+
= =
Media: ( )
1 p
Y
p

= E
Varianza: ( )
2
1
var
p
Y
p

=
Ejemplo: calcular la probabilidad de que al lanzar una moneda al aire salga cara por primera vez en el tercer
lanzamiento
( )
( )
Pr
Pr 1
p
p
=
=

(a) solucin intuitiva: ( )

2
Pr pedida qq p q p = =
(b) modelo geomtrico:
cumple las hiptesis del modelo geomtrico (dos casos; se asume que la
probabilidad no se altera hasta que ocurra xito por primera vez en el tercer
lanzamiento)
( ) ( ) ( )
3 1 2
2
Pr 3 1 1 X p p p p q p

= = = =
3.4. Distribucin hipergeomtrica [XH(N,k,n)]
donde: N es la poblacin;
k son los xitos;
N k son los fracasos
7
Un conjunto de N objetos contiene: k objetos clasificados como xitos y N k como fracasos. Se toma
una muestra de tamao n , al azar (y sin reemplazo) de entre los N objetos.
La variable aleatoria hipergeomtrica representa el nmero de xitos en la muestra
Funcin de probabilidad:
( ) ( ) Pr 1, 2, , min ,
k N k
x n k
X x k n
N
n
| || |
| |

\ .\ .
= =
| |
|
\ .

Media: ( ) siendo
k
X n p p
N
= = E
Varianza: ( ) ( ) var 1
1
N n
X n p p
N

Ejemplo: poblacin = 1000 personas: 300 fumadores y 700 no fumadores; m.a. (3). Sea X el nmero de
fumadores. Calcular la probabilidad de que una persona fume.
(c) solucin intuitiva:
( )
1
300 700 699 700 300 699 700 699 300
Pr 1
1000 999 998 1000 999 998 1000 999 998
X F NF NF o NF F NF o NF NF F
X
=

= = + +

(d) modelo hipergeomtrico (cumple las hiptesis del modelo hipergeomtrico):
( )
300 700
1 2
Pr 1
1000
3
X
| || |
| |
\ .\ .
= =
| |
|
\ .
3.5. Distribucin de Poison (o de los sucesos raros) [XP()]
Una variable aleatoria de Poisson es en realidad una variable aleatoria binomial llevada al lmite, es decir
cuando n y 0 p (Teorema de Poisson)
Caractersticas del proceso: es estable: produce a largo plazo un nmero medio de sucesos constante
por unidad de observacin (tiempo, espacio, rea); los sucesos aparecen aleatoriamente de forma
independiente, es decir, el proceso no tiene memoria, ya que conocer sucesos en un intervalo no ayuda a
predecir sucesos en el siguiente.
Se obtiene como aproximacin de una distribucin binomial con la misma media, para n grande
( 30 n> ) y p pequeo ( 0,1 p< ).
Queda caracterizada por un nico parmetro (que es a su vez su media y varianza).
Funcin de probabilidad:
( ) Pr 1, 2,
!
k
k
X k e k
k

= = =
Media y varianza: ( ) ( ) var X X = = E
8
4. Propiedades de las diferentes distribuciones de probabilidad continua
Una variable aleatoria continua X se caracteriza por su funcin de densidad de probabilidad ( ) f x que
cumple:
(a) ( ) f 0
X
t
(b) ( ) f 1
X
t dt

(c) ( ) ( ) Pr f
b
X
a
a X b t dt =

Cualquier funcin positiva e integrable puede ser la funcin de densidad de alguna variable aleatoria.
A partir de la funcin
2
1
2
x
e

podemos obtener la familia de densidades normales o gaussianas.

4.1. Distribucin uniforme [XU(a,b)]
Una variable aleatoria sigue una distribucin uniforme si su masa de probabilidad est repartida
uniformemente a lo largo de su soporte.
Esta variable corresponde al experimento ideal de elegir un nmero al azar en el intervalo ( ) , a b .
Funcin de densidad
( )
1
f x a x b
b a
=

Fuera de ese intervalo, la funcin de densidad toma valor 0

Funcin de distribucin:
( ) F
x a
x a x b
b a

Media: ( )
2
a b
X
+
= E
9
Varianza: ( )
( )
2
var
12
b a
X

=
4.2. Distribucin exponencial [XExp()]
La variable aleatoria X representa el tiempo que transcurre hasta la primera ocurrencia del proceso de
Poisson ( ) P .
Funcin de densidad:
( )
0
1
f
1
x
x
x e

>

=

=

Funcin de distribucin:
( )
1
F 1 0 x e x

= >
Media: ( ) X = E
Varianza: ( )
2
var X =
La distribucin exponencial tiene la propiedad de carencia o prdida de memoria, esto es:
( ) ( ) Pr | Pr X s t x s X t < + > = <
Ejemplo: supongamos que en promedio un cajero atiende a 6 personas por hora en un da. Si el cajero
acaba de atender a un cliente cul es la probabilidad de que pasen tres minutos hasta la llegada del
prximo cliente?
X es la variable aleatoria que representa el tiempo que transcurre hasta la llegada del prximo cliente.
Sigue un modelo exponencial de parmetro
1 60
10minutos
6

= = = :
( ) ( )
3
10
Pr 3 1 F 3 0, 74 x e

> = = =
4.2. Distribucin gamma [XGamma(,)]
Para obtener la distribucin gamma, primero observemos que para cada 0 > , la expresin
1 x
x e

representa una curva positiva e integrable en el intervalo
| ) , + . Su integral es la funcin gamma:
( )
1
0
0; 0
x
x e dx x

= > >

Propiedades:
10
(a) ( ) ( ) ( ) 1 1 1 = >
(b) ( ) 1 1 =
(c) ( ) ( ) 1 ! n n n =
(d)
1
2

| |
=
|
\ .
(e) mediante el cambio de variable x y = en la integral que define la funcin gamma se obtiene un
parmetro ms en la expresin de las curvas
( )
1
0
y
y e dy


+

=

el integrando dividido su integral da la familia de densidades buscada: ( ) , X si su funcin

densidad est dada por:
( ) ( )
1
si 0
f
0 si 0
x
x e x
x
x

>

se dice que X tiene distribucin gamma de parmetros a (parmetro de forma) y (parmetro de

escala).
Si ( ) , X
Media: ( ) X

= E
Varianza: ( )
2
var X

=
11
En el caso particular de 1 = , ( ) 1, X entonces la distribucin resultante es una exponencial:
( ) X
Ejemplo: Si
t
X mide la cantidad de ocurrencias en un proceso de Poisson de parmetro :
(a) El tiempo de espera hasta la primera ocurrencia es una variable aleatoria con distribucin
( ) ( ) 1, =
(b) El tiempo de espera hasta la a -sima primera ocurrencia es una variable aleatoria con
distribucin ( ) ,
4.3. Distribucin normal o gaussiana [XN(,
2
)]
La distribucin normal est caracterizada por dos parmetros: y
2
.
Funcin de densidad
( )
2
1
2
1
f
2
x
x e x

| |

|
\ .
= < <
Media: ( ) X = E
Varianza: ( )
2
var X =
Caractersticas:
la funcin de densidad de la distribucin normal es simtrica, mesocrtica y unimodal: coinciden media,
mediana y moda;
los puntos de inflexin de la funcin de densidad estn a distancia de .
si tomamos intervalos centrados en , y cuyos extremos estn
a distancia , se tiene una probabilidad del 68 %;
12
a distancia 2 , se tiene una probabilidad del 95 %;
a distancia 2, 5 se tiene una probabilidad del 99 %:
Interpretacin geomtrica de
( )
2
, N : la media sera el factor de traslacin y la el factor de escala,
o grado de dispersin
No es posible calcular la probabilidad de un intervalo simplemente usando la primitiva de la funcin de
densidad, ya que no tiene primitiva expresable en trminos de funciones comunes.
Todas las distribuciones normales
( )
2
, N , pueden ponerse mediante una traslacin , y un cambio de
escala , como ( ) 0,1 N . Esta distribucin especial se llama distribucin normal tipificada o reducida.
Justifica la tcnica de tipificacin, cuando se intenta comparar individuos diferentes obtenidos de sendas
poblaciones normales.
Funcin de densidad:
( )
1
2
1
f
2
z
z e z

= < <
donde: z

=
x
z
Funcin de distribucin:
( ) ( ) ( ) F Pr x Z z z = = =
En la prctica:
( ) ( ) F Pr Pr Pr
X x x x
x X x Z

| | | | | |
= = = =
| | |
\ . \ . \ .
Si Y b x a = + , siendo
( )
2
, X N , entonces:
( )
2 2
, Y N b a b + .
13
4.4. Distribucin de
2
de Pearson [X
2
(,p)]
Este modelo de probabilidad puede ser introducido como caso particular de la familia de distribuciones
gamma de parmetros y p , constantes positivos, cuya funcin de densidad se ha visto anteriormente y
responde a la siguiente forma
( )
( )
1
f 0
p x p
e x
x x
p

= >

donde: ( )
1
0
x p
p e x dx

Concretamente, si se considera
1
2
= y
2
n
p = , donde n es un entero positivo, el modelo de
probabilidad resultante se denomina
2
, jicuadrado, con n grados de libertad.
As,
( )
2
2
1 n s

donde:
2
2
1
( )
1
n
i
i
x x
s
n
=

es la varianza muestral; y
1
n
i
i
x
x
n
=
=

es la media muestral.
sigue la ley de probabilidad del modelo
2
con ( ) 1 n grados de libertad.
Propiedades:
Tiene un slo parmetro denominado grados de libertad;
14
La funcin de densidad es asimtrica positiva. Slo tienen densidad los valores positivos;
La funcin de densidad se hace ms simtrica incluso casi gaussiana cuando aumenta el nmero de
grados de libertad.
Habitualmente, se considerarn anmalos aquellos valores de la variable en la cola de la derecha.
4.4. Distribucin t de Student [Xt(,,k)]
Una variable aleatoria se distribuye segn el modelo de probabilidad t de Student con k grados de libertad,
donde k es un entero positivo, si su funcin de densidad es la siguiente:
( )
1
2
2
1
2
f 1
2
k
k
t
t t
k k
k
+ | |

|
\ .
+ | |

|
| |
\ .
= + < <
|
| |
\ .

|
\ .
donde: ( )
1 x p
p e x dx
+

La grfica de esta funcin de densidad es simtrica respecto del eje de ordenadas con independencia del
valor de k , y de forma algo semejante a la de una distribucin normal:
As,
x
s

donde:
2
2
1
( )
1
n
i
i
x x
s
n
=

es la varianza muestral, y
1
n
i
i
x
x
n
=
=

es la media muestral.
se distribuye como una variable t de Student con ( ) 1 n grados de libertad
Propiedades:
Cuando aumentan los grados de libertad, se acerca a ( ) 0,1 N ;
15
Es simtrica con respecto al cero;
Se consideran valores anmalos los que se alejan de cero (positivos o negativos).
4.5. Distribucin F de Fisher Snedecor [XF(m,n)]
Una variable aleatoria se distribuye segn el modelo de probabilidad F de Fisher con ( ) , m n grados de
libertad, donde m y n son enteros positivos, si su funcin de densidad es la siguiente:
( )
2
2
2
2
2
f 0
1
2 2
m
m
m n
m n m
x
n
x x
m n m
x
n

+
+ | || |

| |
\ .\ .
= >
| | | || |
+
| | |
\ . \ .\ .
donde: ( )
1 x p
p e x dx
+

As,
2 2
2 2
y x
x y
s
s

donde:
2
2
1
( )
1
m
i
x
i
x x
s
m
=

y
2
2
1
( )
1
n
i
y
j
y y
s
n
=

son las varianzas muestrales,

sigue una ley de probabilidad F de Fisher con ( ) 1, 1 m n grados de libertad
Propiedades:
Tiene dos parmetros denominados grados de libertad;
Slo toma valores positivos. Es asimtrica;
Habitualmente se consideran valores anmalos los de la cola de la derecha.
16
Apndice 1. Condiciones de convergencia entre algunas distribuciones
( ) ( )
( ) ( )
1,
1,
Be p B p
Exp
=
=
Normal
( )
2
, N
Poisson
( ) P
Binomial
( ) , B n p
Hipergeomtrica
( ) , , H N k n
10
2


=
= ( )
2
1
n p
n p p

=
=
30
1
5,
2

1
5,
2
n
n p p
nq p

> >
30
0,1
n p
n
p
=
>

50
0,1
N
n
N
>

17
Apndice 2. Tabla resumen de las medias y varianzas de las principales
distribuciones
distribucin parmetros intervalo media varianza
Bernuilli
p
{ } 0,1
p
( ) 1 p p
Binomial
, n p
{ } 0,1, 2, , n
n p
( ) 1 n p p
Poisson { } 0,1, 2,

Geomtrica
p
{ } 0,1, 2,
1
p
( )
2
1 p
p

Uniforme , a b ( ) , a b
2
a b +
( )
2
12
b a
Normal
2
, ( ) ,

2

Exponencial
( ) 0,
1

2
1

Rayleigh
( ) 0,
2

2
4
2

En una ( ) 0,1 N se verifica que
2 1
0
k
m

= y
( )
2
2 !
2 !
k k
k
m
k
= para 1, 2, k =