DISTRIBUCIÓN

GAMMA (Г)
Distribuciones de probabilidad continua.

Profesor: Fernando Coronado Montenegro

Si “p” no es entero pero si positivo, se tiene:

en donde:
CARACTERÍSTICAS:
 Función de densidad

NOTA: -“p” es el parámetro de forma.

-“a” es el parámetro de escala.
Demostración:
 Función de distribución

- Función gamma incompleta:

F(x) de la = función gamma incompleta en el punto

y = (ax)
 Moda

𝑎𝑎𝑝𝑝 𝑥𝑥 𝑝𝑝−2 𝑒𝑒 −𝑎𝑎𝑎𝑎 𝑝𝑝 − 1 − 𝑎𝑎𝑎𝑎

𝑓𝑓 ′ 𝑥𝑥 = � 𝑥𝑥 > 0
Γ 𝑝𝑝
0 𝑥𝑥 ≤ 0

𝑓𝑓 ′ 𝑥𝑥 =0

𝑎𝑎𝑝𝑝 𝑥𝑥 𝑝𝑝−2 𝑒𝑒 −𝑎𝑎𝑎𝑎 𝑝𝑝 − 1 − 𝑎𝑎𝑎𝑎

=0 𝑥𝑥 > 0
Γ 𝑝𝑝

𝑝𝑝 − 1
𝑝𝑝 − 1 − 𝑎𝑎𝑎𝑎 = 0 ⇒ 𝑥𝑥 =
𝑎𝑎
𝑝𝑝 − 1
⇒ 𝑚𝑚𝑚𝑚 =
𝑎𝑎
 Media

Para r=1:
 Varianza
 Función generatriz de momentos
 Propiedad reproductiva
Si son variables aleatorias independientes
distribuidas según para i=1,2,…,n entonces la
variable aleatoria sigue una
distribución .
 Si la variable aleatoria “x” se distribuye según N(0,1) entonces la
variable aleatoria se distribuye según una .
 p p
a

a
p
DISTRIBUCIÓN
EXPONENCIAL
Distribuciones de probabilidad continua.

Profesor: Fernando Coronado Montenegro

Una variable aleatoria “x” de tipo continua sigue
una distribución exponencial de parámetros “a”,
siendo , si su función de densidad es:

Para: p=1, es decir

es una función г de parámetro p=1:
Comprobar que f(x) es una función de densidad:

f(x)

0.5

x
CARACTERÍSTICAS:
 Función de distribución

F(x)

0 x
x
 Media

1
 𝐸𝐸 𝑥𝑥 =
𝑎𝑎

Las obtengo
 Varianza reemplazando
p=1 en las
características
halladas en la
distribución
Gamma.
 Función generatriz de momentos
 Función de supervivencia
Se llama así porque es cuánto tiempo de
duración tiene algo.
 Propiedad del olvido o falta de memoria
Sea:

Sean los eventos:

𝐴𝐴 = 𝑠𝑠 + 𝑡𝑡1 < 𝑥𝑥 < 𝑠𝑠 + 𝑡𝑡2

𝐵𝐵 = 𝑥𝑥 > 𝑠𝑠

Podemos observar que 𝐴𝐴 ⊂ 𝐵𝐵 ⇒ 𝐴𝐴 ∩ 𝐵𝐵 = 𝐴𝐴

Por lo tanto:
𝑃𝑃 𝐴𝐴 ∩ 𝐵𝐵 𝑃𝑃 𝐴𝐴 𝑒𝑒 −𝜆𝜆 𝑠𝑠+𝑡𝑡1
− 𝑒𝑒 −𝜆𝜆 𝑠𝑠+𝑡𝑡2
𝑃𝑃 𝐴𝐴/𝐵𝐵 = = =
𝑃𝑃 𝐵𝐵 𝑃𝑃 𝐵𝐵 𝑒𝑒 −𝜆𝜆𝑠𝑠

= 𝑒𝑒 −𝜆𝜆𝑡𝑡1 − 𝑒𝑒 −𝜆𝜆𝑡𝑡2 = 𝑃𝑃 𝑡𝑡1 < 𝑥𝑥 < 𝑡𝑡2

DISTRIBUCIÓN BETA
(𝜷𝜷)
Distribuciones de probabilidad continua.

Profesor: Fernando Coronado Montenegro

CARACTERÍSTICAS:
 Función de distribución

0, 𝑥𝑥 ≤ 0
𝑥𝑥 1
F 𝑥𝑥 = 𝑃𝑃(𝑋𝑋 ≤ 𝑥𝑥) = �∫0 𝛽𝛽 𝑝𝑝,𝑞𝑞 𝑥𝑥 𝑝𝑝−1 1 − 𝑥𝑥 𝑞𝑞−1 𝑑𝑑𝑑𝑑, 0 < 𝑥𝑥 < 1
1, 𝑥𝑥 ≥ 1
 Media
1
1
𝜖𝜖 𝑥𝑥 𝑟𝑟 =� 𝑥𝑥 𝑟𝑟 𝑥𝑥 𝑝𝑝−1 (1 − 𝑥𝑥)𝑞𝑞−1 𝑑𝑑𝑑𝑑
0 𝛽𝛽(𝑝𝑝, 𝑞𝑞)
1
1
= � 𝑥𝑥 𝑟𝑟 𝑥𝑥 𝑝𝑝−1 (1 − 𝑥𝑥)𝑞𝑞−1 𝑑𝑑𝑑𝑑
𝛽𝛽(𝑝𝑝, 𝑞𝑞) 0
𝛽𝛽(𝑝𝑝 + 𝑟𝑟, 𝑞𝑞)
=
𝛽𝛽(𝑝𝑝, 𝑞𝑞)
 𝔯𝔯(𝑝𝑝 + 𝑟𝑟)𝔯𝔯(𝑞𝑞) 𝔯𝔯(𝑝𝑝 + 𝑞𝑞)
= ×
𝔯𝔯(𝑝𝑝 + 𝑟𝑟 + 𝑞𝑞) 𝔯𝔯(𝑝𝑝)𝔯𝔯(𝑞𝑞)
𝑝𝑝 + 𝑟𝑟 − 1 … (𝑝𝑝 + 1)(𝑝𝑝)
=
𝑝𝑝 + 𝑟𝑟 + 𝑞𝑞 − 1 … (𝑝𝑝 + 𝑞𝑞)
Si: 𝑟𝑟 = 1
𝑝𝑝
𝜖𝜖 𝑥𝑥 =
𝑝𝑝 + 𝑞𝑞
 Varianza
2 2
𝑉𝑉𝑉𝑉𝑉𝑉 𝑥𝑥 = 𝜖𝜖 𝑥𝑥 − 𝜖𝜖 𝑥𝑥
Si: 𝑟𝑟 = 2
𝑝𝑝 + 1 𝑝𝑝
𝜖𝜖𝑥𝑥 2 =
𝑝𝑝 + 𝑞𝑞 + 1 (𝑝𝑝 + 𝑞𝑞)
𝑝𝑝𝑝𝑝
𝑉𝑉𝑉𝑉𝑉𝑉 𝑥𝑥 =
(𝑝𝑝 + 𝑞𝑞 + 1)(𝑝𝑝 + 𝑞𝑞)2
DISTRIBUCIÓN
NORMAL
Distribuciones de probabilidad continua.
Una variable aleatoria continua X tiene una distribución
Normal si su función de probabilidad es dada por:

f ( x) =
1
e
− ( )
1 x −µ 2
2 σ , si − ∞ < x < ∞
2π σ

µ X = E[ X ] = µ
donde:

σX
2
= Var[X ] = σ 2
Características
1. Tiene una forma acampanada.
2. Es simétrica con respecto a su media.
3. Es asintótica con respecto al eje horizontal.

f(x)

σX

µX x
Cálculo de una probabilidad

b
f(x) P[ a < X < b] = ∫ f ( x)dx
a
2
b 1  x −µ X 
−  
2  σ X 
= ∫
1
e dx
2π σX
a

a µX b x
Distribución Normal Estándar
Si X es una variable aleatoria que tiene una distribución
normal con una media µX y una variancia σ 2X ; luego, la
variable aleatoria:
Z = (X - µX )/ σX
tiene una distribución normal con media 0 y variancia 1, y
su función de densidad es:
z2
donde: 1 −
f ( z) = e 2 , si − ∞ < z < ∞
2π
µ Z = E[Z ] = 0
σZ
2
= Var[Z ] = 1
Distribución normal estándar. Cálculo de una probabilidad

f(x)
b
P[ a < X < b] = ∫ f ( x)dx
a
2
1  x −µ X 
b −  
1 2  σ X 
µX b =∫ e dx
a X ≈ N(µ X , σ 2X ) a 2π σ X
Zb z2
1 −
h(z)
Z=
X − µX = ∫ 2π
e 2 dz

Za
σX
= P[ z a < Z < zb ]

Za 0 Zb Z ≈ N(0,1)
 APROXIMACIÓN NORMAL DE LA BINOMIAL.
Si n en muy grande, los cálculos necesarios para el empleo de la
fórmula:
p(x = k ) = ∑ Ckn p k q n − k
se hacen laboriosos en consecuencia, una aproximación sencilla a
la distribución puede resultar mediante distribución normal
apropiada ( np ≥ 5 ), con media y desviación estándar
definida por:
µ = n⋅ p
σ = n⋅ p⋅q
 Aproximación Normal de la Binomial.
Se debe utilizar cuando:
• Sea una distribución binomial donde np>=5.
• Existen solo dos resultados mutuamente excluyentes para el
experimento: “éxito o fracaso”
• Una distribución resulta de contar el número de éxitos o una
cantidad fija de ensayos.
• Cada ensayo es independiente
• La probabilidad p, debe permanecer igual en cada ensayo.
 Aproximación Normal de la Binomial.
Se debe utilizar en la aproximación un factor de corrección por
continuidad:

Es el valor 0.5 que se suma o se resta, dependiendo de la

naturaleza del problema, a un valor seleccionado cuando una
distribución probabilística discreta se está aproximando por medio
de una del tipo continuo. Por lo tanto la variable estandarizada
para dicha distribución normal quedaría:

x ± 0.5 − µ
Z=
σ
 Aproximación Normal de la Binomial.

Como aplicar el factor de corrección:

• Para la probabilidad de que por lo menos x ocurran, use el área

por encima de (x– 0.5).

• Para la de que más de x sucedan, utilice el área por arriba de (x +

0.5).

• Para la de que x o menos ocurran, utilice el área por debajo de (x

+ 0.5).

• Para la de que menos de x sucedan, utilice el área por debajo de

(x – 0.5).
DISTRIBUCIÓN CHI
CUADRADO (X2 )
Distribuciones de probabilidad continua,
asociadas a la Distribución normal.

Profesor: Fernando Coronado Montenegro

 Consideremos: Z N(0, 1) y X= z2.
Hallamos la función de distribución “X”:

Ahora derivemos:
 Función de densidad de la variable aleatoria X= z2:

Diremos que una variable aleatoria X= z2 sigue una

distribución X2 con UN grado de libertad, si su
función viene dada por esa expresión.
Entonces: X= z2 X2 = г(½, ½)
 Demostración: Sean “n” variables aleatorias
independientes e igualmente distribuidas según
N(0, 1), donde X=x12+x22+…+xn2. Demuestre que
X X2 con “n” grados de libertad y que coincide
con г(n/2, ½).
Ahora: X2 =x12+x22+…+xn2 = г(n/2, ½).
N(0, 1)
CARACTERÍSTICAS X2N :
 Media

 Varianza
 Función generatriz de momentos

 Si: x1+x2+…+xk son “k” v.a.ii. según una x2n para

i=1,… , k. Entonces la variable aleatoria y =
x1+x2+…+xk sigue una distribución x2n 1+n2+…+nk grados
de libertad.
 Aproximación a la Distribución Normal
Si x2n la variable aleatoria , demuestra
que .

Ahora estandarizo:

N(0; 1)
DISTRIBUCIONES DERIVADAS DE LA X2
CON “N” GRADOS DE LIBERTAD.

 Sean x1,x2,…, xn “n” variables independientes

distribuidas con N(0, ) y Y=x12+x22+…+xn2 .
 Defino una variable para que la varianza quede
dividida .
 Entonces

 Obtendríamos

n
 Por lo tanto y’ , pero me piden la distribución
del Y.

 Ahora derivo:
 Entonces:
 Ahora intentemos para las variables:



DISTRIBUCIÓN T DE
STUDENT (T)
Distribuciones de probabilidad continua,
asociadas a la Distribución normal.

Profesor: Fernando Coronado Montenegro

 Sean U y V dos variables aleatorias
independientes según N(0, 1) y una ,
respectivamente.
Entonces se dice que:

Sean x,x1,x2,…, xn , (n+1) variables aleatorias i.i.

distribuidas según , entonces dice que la
variable:
Compruebo:
Para hacer la transformación necesito hallar el
Jacobiano para darle forma a las nuevas
variables:

Armamos el Jacobiano:
Para hallar la transformación debo tener en
cuenta:
Para hallar :
CARACTERÍSTICAS:
 Función de distribución

 Momentos: Los momentos de orden impar son

nulos. Por lo tanto, calculamos los pares que
llevan el nombre .
 u N(0, 1)
-

En el caso de :
en el momento de orden r:

 Si:

 Si:
 , esto se cumple si:

Esto porque no pueden haber

gammas de números
negativos.

 Media
 Varianza

Aquí r=1 por que en necesito un

momento de orden 2, entonces :
si n > 2
DISTRIBUCIÓN F DE
SNEDECOR
Distribuciones de probabilidad continua,
asociadas a la Distribución normal.

Profesor: Fernando Coronado Montenegro

 Sean U y V dos variables aleatorias independientes
según X2 con “n1” grados de libertad y una X2 con “n2”
grados de libertad, respectivamente.
Entonces se dice que:

Sean x1,x2,…, xn e y1,y2,…, yn ,(n1+n2) variables

aleatorias i.i. distribuidas según ,entonces dice
que la variable:

F de Snedecor con
(n1+n2 ) grados de libertad
 Función de densidad de F de Snedecor:
Depende solamente de los parámetros n1 y n2
CARACTERÍSTICAS:
 Función de distribución

 Momentos
 Media: con r=1
 Varianza: con r=2