PROBABILIDAD Y ESTADISTICA (F.I.Q.

)
FORMULARIO TERCER PARCIAL
Distribución Binomial
Las características de la variable aleatoria 𝑋 son:

𝑛
1. La función masa de probabilidad es 𝑃(𝑋 = 𝑘) = ( ) 𝑝𝑘 𝑞 𝑛−𝑘 .
𝑘
2. La media de la distribución es 𝐸[𝑋] = 𝑛𝑝.
3. La varianza es 𝑉𝑎𝑟(𝑋) = 𝑛𝑝𝑞.

Las tablas presentan las probabilidades acumuladas y tienen la siguiente notación:

𝑟 𝑟
𝑛
𝐵(𝑟; 𝑛, 𝑝) = ∑ 𝑏(𝑥; 𝑛, 𝑝) = ∑ ( ) 𝑝 𝑥 𝑞 𝑛−𝑥
𝑥
𝑥=0 𝑥=0

Distribución Geométrica
El recorrido de 𝑋 es 𝑅𝑋 = {1,2,3, … } con función masa de probabilidad

𝑃(𝑋 = 𝑘) = 𝑝𝑞 𝑘−1 .

La esperanza y la varianza de una variable aleatoria 𝑋 con distribución 𝐺𝑒𝑜𝑚é𝑡𝑟𝑖𝑐𝑎(𝑝) respectivamente son:

1 𝑞
𝐸[𝑋] = 𝑝 𝑉𝑎𝑟(𝑥) = 𝑝2

Distribución Binomial Negativa

La notación es 𝑋 ∼ 𝐵𝑖𝑛𝑛𝑒𝑔(𝑟, 𝑝). El rango de 𝑋 es 𝑅𝑋 = {𝑟, 𝑟 + 1, 𝑟 + 2, … } y la función masa de
probabilidad es:

𝑘 − 1 𝑟 𝑘−𝑟
𝑃(𝑋 = 𝑘) = ( )𝑝 𝑞
𝑟−1
𝑟
La esperanza de una variable aleatoria binomial negativa es: 𝐸[𝑋] = 𝑝
𝑟(1−𝑝)
Y su varianza es: 𝑉𝑎𝑟(𝑋) = 𝑝2

Distribución Hipergeométrica
El recorrido o rango de la variable 𝑋 es 𝑅𝑋 = {0,1,2, … , min{𝑀, 𝑛}} y su función masa de probabilidad es:

𝑀 𝑁−𝑀
( )( )
𝑃(𝑋 = 𝑘) = 𝑘 𝑛−𝑘
𝑁
( )
𝑛
𝑛𝑀 𝑛𝑀(𝑁−𝑀) (𝑁−𝑛)
La esperanza de 𝑋 es: 𝐸[𝑋] = 𝑁
y su varianza es: 𝑉𝑎𝑟(𝑋) = 𝑁2 (𝑁−1)

Prof. Felipe R. Tuz Poot 1

Distribución Poisson
La variable aleatoria 𝑋 que representa el número de eventos que se presentan en el intervalo fijo es Poisson
con parámetro 𝜆, donde 𝜆 representa el promedio de eventos que se presentan en el intervalo. En tal caso
su notación es 𝑋 ∼ 𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆).

El recorrido o recorrido de la variable 𝑋 con distribución Poisson es 𝑅𝑋 = {0,1,2,3, … } y su función masa de

probabilidad es:
𝑒 −𝜆 𝜆𝑘
𝑃(𝑋 = 𝑘) = .
𝑘!

La esperanza y varianza de esta variable aleatoria son respectivamente: 𝐸[𝑋] = 𝜆 y 𝑉𝑎𝑟(𝑋) = 𝜆.

Al igual que con la distribución Binomial, existen tablas que contienen las probabilidades para los valores de
la variable aleatoria con distribución Poisson. Las tablas A.2 son las que se utilizarán en este curso y en ellas
se expresan las probabilidades acumuladas de la variable Poisson. La notación que se utiliza es
𝑟 𝑟
𝑒 −𝜇 𝜇 𝑥
∑ 𝑝(𝑥; 𝜇) = ∑
𝑥!
𝑥=0 𝑥=0

Distribución Uniforme
Se dice que una variable aleatoria continua 𝑋 tiene una distribución uniforme en el intervalo de los números
reales (a, b) si su función de densidad f(x) es:

1
f(x) = {b − a , si a < x < b
0, en otro caso

Cuando 𝑋 se distribuye uniforme es común denotarlo como X ∼ U(a, b). Es claro que el recorrido de la
variable R X es el intervalo (a, b) de los números reales. La esperanza de esta variable aleatoria es:

a+b (b−a)2
E[X] = 2
y su varianza es: Var(X) = 12

Distribución exponencial
Se dice que una variable aleatoria X tiene una distribución exponencial con parámetro β > 0 indicada como
X ∼ exp (β) , si su función de densidad es:

1 −x/β
e , x>0
f(x) = { β
0, de otro modo

Como se puede apreciar en la función de densidad, el recorrido de la variable es R X = (0, ∞). Además, su
esperanza y su varianza son E[X] = β y Var(X) = β2 , respectivamente.

Distribución Normal
Su función de densidad es:

1 (𝑥−𝜇)2
−
𝑓(𝑥) = 𝑒 2𝜎 2
√2𝜋𝜎

Prof. Felipe R. Tuz Poot 2

En tal caso se denota por X ∼ N(μ, σ2 ). El recorrido de la variable con distribución normal es R X = ℝ, su
esperanza o media es:

𝐸[𝑋] = 𝜇 y la varianza es: Var(X) = σ2 .

La función de densidad de la distribución normal estándar es

1 −𝑥 2
𝑓(𝑥) = 𝑒 2
√2𝜋
X−μ
Teorema: Si X ∼ N(μ, σ2 ), entonces la variable Z = σ
tiene distribución normal estándar, es decir, Z ∼
N(0,1).

Distribución Ji-Cuadrada
Se dice que la variable aleatoria 𝑋 posee distribución 𝐽𝑖– 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑎 con 𝜈 grados de libertad y se denota por
𝑋 ∼ 𝜒𝜐2 , si su función de densidad es:

1 𝑣⁄2−1
𝑥
𝑥 exp (− ), 𝑥 > 0
𝑓(𝑥) = {Γ (𝜈 ) 2𝜈/2 2
2
0, 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
El recorrido de la variable es 𝑅𝑋 = (0, ∞). Además, la esperanza de la variable aleatoria es 𝐸[𝑋] = 𝜈 y su
varianza es 𝑉𝑎𝑟(𝑋) = 2𝜈.

Distribución T-Student
Se dice que una variable aleatoria 𝑋 tiene distribución t-student (o simplemente distribución t) con n grados
de libertad si su función de densidad es:

𝑛+1
Γ( 2 ) 1 1
𝑓(𝑥) = 𝑛 (𝑛+1)/2
, 𝑥∈ℝ
Γ ( ) √𝑛𝜋 𝑥2
2 (1 + 𝑛 )

Cuando 𝑋 tiene distribución 𝑡 con 𝑛 grados de libertad se escribe 𝑋 ∼ 𝑡𝑛 . De la función de densidad se observa
que 𝑅𝑋 = ℝ. Además, para 𝑛 > 1 la esperanza de 𝑋 es:
𝑛
𝐸[𝑋] = 0 y para 𝑛 > 2 la varianza es: 𝑉𝑎𝑟(𝑋) = 𝑛−2

Distribución F de Fisher
Se dice que una variable aleatoria 𝑋 posee distribución 𝐹 de Fisher (o simplemente 𝐹) con 𝑛1 grados de
libertad en el numerador y 𝑛2 grados de libertad en el denominador si su función de densidad es:

𝑛 +𝑛
Γ ( 1 2 2 ) 𝑛1 𝑛1 /2 𝑥 (𝑛1 −2)/2
𝑓(𝑥) = 𝑛 𝑛 ( ) (𝑛1 +𝑛2 )/2
Γ ( 21 ) Γ ( 22 ) 𝑛2 𝑛
(1 + (𝑛1 ) 𝑥)
2
Cuando 𝑋 tiene esta distribución comúnmente es denotado por 𝑋 ∼ 𝐹𝑛1 ,𝑛2 . El recorrido de la variable 𝑋 es
𝑅𝑋 = (0, ∞). Además, para 𝑛2 > 2, la esperanza de X es:

Prof. Felipe R. Tuz Poot 3

 𝑛2 𝑛2 2 (𝑛1 +𝑛2 −2)
𝐸[𝑋] = 𝑛 y para 𝑛2 > 4 la varianza de 𝑋 es: 𝑉𝑎𝑟(𝑋) = 2 (𝑛 ) 𝑛 (𝑛 −4)
2 −2 2 −2 1 2

APROXIMACIONES DE DISTRIBUCIONES DISCRETAS VÍA DISTRIBUCIONES CONTINUAS

Teorema. Si 𝑋 ∼ 𝐵𝑖𝑛(𝑛, 𝑝), es decir, 𝑋 es una variable aleatoria binomial, entonces

𝑋 − 𝑛𝑝
𝑍=
√𝑛𝑝(1 − 𝑝)

es aproximadamente una variable aleatoria con distribución normal estándar. La aproximación es buena
cuando 𝑛𝑝 > 5 y 𝑛(1 − 𝑝) > 5.
Recuérdese que para una variable aleatoria binomial 𝑋, se tiene que 𝐸[𝑋] = 𝑛𝑝 y 𝑉𝑎𝑟(𝑋) = 𝑛𝑝(1 − 𝑝).

Teorema. Si 𝑋 es una variable aleatoria Poisson con 𝐸[𝑋] = 𝜆 y 𝑉𝑎𝑟(𝑋) = 𝜆, entonces

𝑋−𝜆
𝑍=
√𝜆

es aproximadamente una variable aleatoria normal estándar. La aproximación es buena para 𝜆 > 5.

TEOREMA DEL LÍMITE CENTRAL

Si se selecciona al azar muestras de 𝑛 observaciones de una población con media finita  y desviación estándar
, entonces, cuando n es grande, la media muestral

𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛
𝑋̅ =
𝑛 𝜎
tiene una distribución aproximadamente normal con media igual a 𝜇𝑥̅ =  y desviación estándar 𝜎𝑥̅ = . La
√𝑛
aproximación se vuelve más precisa a medida que 𝑛 aumenta. Como consecuencia la variable
𝑋̅ − 𝜇
𝑍=
𝜎/√𝑛

se distribuye normal estándar cuando 𝑛 es grande, es decir, su media es cero y su varianza es 1.

Por lo general se considera que 𝑛 es grande cuando 𝑛 ≥ 30.

Prof. Felipe R. Tuz Poot 4