Ignacio Cascos Fernández

Departamento de Estadı́stica
Universidad Carlos III de Madrid

Modelos de distribuciones discretas y continuas

Estadı́stica I — curso 2008–2009

1. Distribuciones discretas
Aquellas que están asociadas a variables aleatorias discretas.

Distribución degenerada. Una variable aleatoria X es degenerada en un

valor real a ∈ R si toma dicho valor con probabilidad 1, es decir P (X = a) =
1, su media y varianza son entonces obvias a partir de resultados del tema
anterior,
E[X] = a ; var[X] = 0.

1.1. Proceso de Bernoulli

1.1.1. Modelos principales asociados al proceso de Bernoulli
Distribución de Bernoulli, B(1, p). Una variable aleatoria X sigue dis-
tribución de Bernoulli de parámetro p ∈ (0, 1) y se denota X ∼ B(1, p) si
describe el número de éxitos en una realización de un experimento que tie-
ne probabilidad de éxito p (probabilidad de fracaso 1 − p). Toma valores en
{0, 1}.
P (X = 1) = p ; P (X = 0) = 1 − p ;
E[X] = p ; var[X] = p(1 − p).

1
Distribución Binomial, B(n, p). Una variable aleatoria X sigue distri-
bución Binomial de parámetros n ∈ N y p ∈ (0, 1) y se denota X ∼ B(n, p)
si describe el número de éxitos en n realizaciones independientes de un ex-
perimento que tiene probabilidad de éxito p (probabilidad de fracaso 1 − p).
Puede tomar cualquier valor en {0, 1, . . . , n}.
Si k ∈ {0, 1, . . . , n}, se cumple
 
n k
P (X = k) = p (1 − p)n−k ;
k

E[X] = np ; var[X] = np(1 − p).

Propiedad. Las distribuciones binomiales son reproductivas de parámetro

n, es decir, dadas dos variables aleatorias X ∼ B(n1 , p) e Y ∼ B(n2 , p)
independientes, se cumple X + Y ∼ B(n1 + n2 , p).
A partir de este resultado es inmediato que una variable aleatoria X ∼
B(n, p) puede descomponerse en una suma de n variables aleatorias indepen-
dientes de Bernoulli de parámetro p.

Distribución Geométrica o de Pascal, Ge(p). Una variable aleatoria X

sigue distribución Geométrica de parámetro p ∈ (0, 1) y se denota X ∼ Ge(p)
si describe el número de realizaciones independientes de un experimento ne-
cesarias hasta obtener el primer éxito, siendo p la probabilidad de éxito en
una realización del experimento (probabilidad de fracaso 1−p). Puede tomar
como valor cualquier número natural, {1, 2, . . .}.
Si k ∈ {1, 2, . . .}, se cumple

P (X = k) = (1 − p)k−1 p ;
1 1−p
E[X] = ; var[X] = .
p p2

1.1.2. Otros modelos asociados al proceso de Bernoulli

Distribución Binomial Negativa, BN(r, p). Una variable aleatoria X
sigue distribución Binomial Negativa de parámetros r ∈ N y p ∈ (0, 1) y se
denota X ∼ BN(r, p) si describe el número de fracasos de un experimento
antes del r-ésimo éxito, siendo las realizaciones del experimento indepen-
dientes y en cada una de ellas p la probabilidad de éxito (probabilidad de

2
fracaso 1 − p). Puede tomar cualquier valor entero mayor o igual que cero,
{0, 1, 2, . . .}.
Si k ∈ {0, 1, 2, . . .}, se cumple
 
r+k−1 r
P (X = k) = p (1 − p)k ;
r−1
r(1 − p) r(1 − p)
E[X] = ; var[X] = .
p p2

Distribución Hipergeométrica, H(N, n, D/N ). Una variable aleatoria

X sigue distribución Hipergeométrica de parámetros N ∈ N, n ∈ N con
n ≤ N y D/N con D ∈ N, D ≤ N y se denota X ∼ H(N, n, D/N ) si
describe el número de individuos que tienen una cierta caracterı́stica en n
observaciones sin reemplazamiento en una población de N individuos de entre
los que D tienen la caracterı́stica (N − D no tienen la caracterı́stica). Puede
tomar cualquier valor entero mayor o igual que máx{0, n + D − N } y menor
o igual que mı́n{n, D}.
Si máx{0, n + D − N } ≤ k ≤ mı́n{n, D}, se cumple
D N −D



k n−k
P (X = k) = N

;
n
D D N −D N −n
E[X] = n ; var[X] = n × × × .
N N N N −1

1.2. Proceso de Poisson

Distribución de Poisson, P(λ). Una variable aleatoria X sigue distribu-
ción de Poisson de parámetro λ > 0 y se denota X ∼ P(λ) si representa el
número de eventos ocurridos independientemente y a velocidad constante o
con intensidad constante en un tiempo o región fija. Puede tomar cualquier
valor entero mayor o igual que cero, {0, 1, 2, . . .}.
Si k ∈ {0, 1, 2, . . .}, se cumple
λk −λ
P (X = k) = e ;
k!
E[X] = λ ; var[X] = λ.

Propiedad. Las distribuciones de Poisson son reproductivas, es decir, da-

das X ∼ P(λ1 ) e Y ∼ P(λ2 ) independientes, se cumple X + Y ∼ P(λ1 + λ2 ).

3
2. Distribuciones continuas
Aquellas que están asociadas a variables aleatorias continuas.

Distribución Uniforme, U(a, b). Una variable aleatoria X sigue distribu-

ción uniforme de parámetros a < b y se denota X ∼ U(a, b) si toma valores
en el intervalo (a, b) según la siguiente función de densidad,

 1  0 si x < a
si x ∈ (a, b) x−a
fX (x) = b−a ; FX (x) = si a ≤ x < b ;
0 si x ∈ / (a, b)  b−a
1 si x ≥ b

a+b (b − a)2
E[X] = ; var[X] = .
2 12

2.1. Proceso de Poisson

Distribución Exponencial, Exp(λ). Una variable aleatoria X sigue dis-
tribución exponencial de parámetro λ > 0 y se denota X ∼ Exp(λ) si toma
valores positivos según la siguiente función de densidad,
 −λx 
λe si x > 0 0 si x < 0
fX (x) = ; FX (x) = −λx ;
0 si x ≤ 0 1−e si x ≥ 0

1 1
E[X] = ; var[X] = .
λ λ2

Propiedad. Las distribución exponencial no tiene memoria, es decir dada

X ∼ Exp(λ) y t1 , t2 > 0,

P (X > t1 + t2 |X > t1 ) = P (X > t2 ).

4
2.2. Distribución Normal
Distribución Normal, N(µ, σ). Una variable aleatoria X sigue distribu-
ción normal de media µ y desviación tı́pica σ y se denota X ∼ N(µ, σ) si
toma valores en toda la recta real, según la siguiente función de densidad,
1 (x−µ)2
fX (x) = √ e− 2σ2 .
σ 2π
No podemos dar de forma explı́cita ninguna primitiva de esta función, por
lo
R x tanto la función de distribución sólo podemos describirla como FX (x) =
−∞ X
f (t)dt.
E[X] = µ ; var[X] = σ 2 .
Llamamos normal tipificada o estándar a la normal de media 0 y desvia-
ción tı́pica 1, N(0, 1).

Propiedad. Dados a, b ∈ R y X una variable aleatoria tal que X ∼

N(µ, σ), entonces la variable aleatoria aX + b sigue distribución normal, más
concretamente
aX + b ∼ N(aµ + b, |a|σ).
Utilizando esta propiedad podemos tipificar cualquier variable aleatoria nor-
mal, se cumple X−µ
σ
∼ N(0, 1).

Propiedad. Si X ∼ N(0, 1) y FX es su función de distribución, por la

simetrı́a de la distribución normal, se cumple que para cualquier x ∈ R,
FX (−x) = 1 − FX (x).

Propiedad. La suma de dos variables aleatorias normales independientes

sigue distribución normal. Ası́, si X ∼ N(µ1 , σ1 ) e Y ∼ N(µ2 , σ2 ) son inde-
pendientes, entonces
 q 
2 2
X + Y ∼ N µ1 + µ2 , σ1 + σ2 .

Teorema Central del Lı́mite. Si X1 , X2 , . . . , Xn son n variables aleato-

rias independientes e idénticamente
Pn distribuidas con media µ √ y desviación
tı́pica σ, entonces,
Pn entonces i=1 X i se aproxima a una
√ N(nµ, σ n), equiva-
lentemente i=1 Xi /n se aproxima a una N(µ, σ/ n). La aproximación es
buena si n ≥ 30.

5
Corrección por continuidad. Si aplicamos el Teorema Central del Lı́mite
a variables aleatorias discretas con valores enteros, mientras que X1 + X2 +
. . . + Xn es discreta (y toma valores enteros), la normal es continua. Ası́,
para aproximar la probabilidad de X1 + X2 + . . . + Xn ≤ a donde a ∈ N,
calculamos FN(nµ,σ√n) (a + 1/2).

Aproximación Binomial-Normal. Si n ≥ 30 y np(1 p − p) > 5, podemos

aproximar una binomial B(n, p) por una normal N(np, np(1 − p)). Observa
que una binomial se puede construir como suma de variables de Bernoulli
independientes.

Aproximación Poisson-Normal. La distribución de Poisson surge como

lı́mite e la Binomail cuando el número de experimentos tiende a infinito.
Por tanto,
√ si λ > 5, podemos aproximar una Poisson P(λ) por una normal
N(λ, λ).

2.3. Distribuciones relacionadas con la normal

Distribución χ2 de Pearson, χ2n . Si X1 , X2 , . . . , Xn son n variables alea-
torias independientes con distribución N(0, 1), entonces
Y = X12 + X22 + . . . + Xn2
sigue distribución chi-cuadrado de Pearson con n grados de libertad, Y ∼
χ2n . Una variable aleatoria con distribución chi-cuadrado sólo toma valores
positivos.
E[Y ] = n ; var[Y ] = 2n.

Distribución t de Student, tn . Si X e Y son dos variables aleatorias

independientes, de tal modo que X sigue una distribución normal estándar
e Y sigue distribución chi-cuadrado con n grados de libertad, entonces
X
Z=p
Y /n
sigue distribución t con n grados de libertad, Z ∼ tn . Una variable aleatoria
con distribución t toma valores en toda la recta real.
n
E[X] = 0 ; var[X] = si n ≥ 3.
n−2

6
Distribución F de Fisher-Snedecor, Fn1 ,n2 . Si X e Y son dos variables
aleatorias independientes, de tal modo que X sigue una distribución chi-
cuadrado con n1 grados de libertad e Y sigue distribución chi-cuadrado con
n2 grados de libertad, entonces

X/n1
Z=
Y /n2

sigue distribución F con n1 y n2 grados de libertad, Z ∼ Fn1 ,n2 . Una variable

aleatoria con distribución F sólo toma valores positivos.