Resumen de familias paramtricas

Semestre 2015-I

Prof: Jaime Vzquez Elabor: Eduardo Selim Martnez

1. Uniforme discreta
Definicin: Se dice que X variable aleatoria discreta tiene distribucin uniforme discreta en el
conjunto {1, 2, . . . , N}, se denota X U nif (N ), si su funcin de densidad est dada por
1
fX (x) = P (X = x) = I (x)
N {1,2,...,N }
PROPOSICIN: Si X U nif (N ), entonces:

(a) fX es efectivamente funcin de densidad

N+1
(b) E(X) = 2
(N+1)(2N+1)
(c) E(X 2 ) = 6

N 2 1
(d) V ar(X) = 12

2. Bernoulli
Definicin: Se dice que X variable aleatoria discreta tiene distribucin Bernoulli con parmetro
p (0, 1), se denota X Bnlli(p) X Ber(p) X Bernoulli(p), si su funcin de densidad de
probabilidad est dada por

1 p si x = 0

fX (x) = P (X = x) = p si x = 1 = px (1 p)1x I{0,1} (x)


0 e.o.c

PROPOSICIN: Si X Bnlli(p), entonces:

(a) fX es efectivamente funcin de densidad

(b) n N+ E(X n ) = p. En particular E(X) = E(X 2 ) = p

(c) V ar(X) = p(1 p)

(d) mX (t) = et p + (1 p)

3. Binomial
Supngase que se tienen n ensayos Bernoulli independientes cada uno con la misma probabilidad
de xito p (0, 1). Sea X el nmero de xitos en n ensayos Bernoulli independientes. Ntese que
 
n x
P (X = x) = p (1 p)nx
x
 Definicin: Se dice que X variable aleatoria discreta tiene distribucin binomial con parmetros
n N+ y p (0, 1), se denota X Bin(n, p), si su funcin de densidad de probabilidad est dada
por  
n x
fX (x) = P(X = x) = p (1 p)nx I{0,1,2,...,n} (x)
x
(se puede siempre fracasar siempre tener xito)

PROPOSICIN: Si X Bin(n, p), entonces:

(a) fX es efectivamente funcin de densidad

 n
(b) mX (t) = et p + (1 p)

(c) E(X) = np

(d) E(X 2 ) = n2 p2 np2 + np

(e) V ar(X) = np(1 p)

n x nx es creciente si x < (n + 1)p y es decreciente si

PROPOSICIN: fX (x) = x p (1 p)
x > (n + 1)p.

4. Poisson
Definicin: Se dice que X variable aleatoria discreta tiene distribucin Poisson con parmetro
> 0, se denota X P oisson(), si su funcin de densidad de probabilidad est dada por

e x
fX (x) = P(X = x) = I (x)
x! {0,1,2,...}
PROPOSICIN: Si X P oisson(), entonces:

(a) fX es efectivamente funcin de densidad

t)
(b) mX (t) = e(1e

(c) E(X) =

(d) E(X 2 ) = ( + 1)

(e) V ar(X) =

PROPOSICIN (Relacin entre la binomial y la Poisson): Considrese una variable aleato-

ria X tal que X Bin(n, p). Sea = np. Si n , entonces X P oisson()

2
5. Geomtrica
Supngase que se tiene una sucesin infinita de ensayos Bernoulli independientes, en donde la
probabilidad de xito de todos ellos es igual a p (0, 1). Sea X el nmero de fracasos antes del
primer xito. Entonces P(X = x) = (1 p)x p.

Definicin: Se dice que X variable aleatoria discreta tiene distribucin geomtrica con parmetro
p (0, 1), se denota X Geo(p), si su funcin de densidad de probabilidad est dada por
fX (x) = P(X = x) = (1 p)x pI{0,1,2,...} (x)
PROPOSICIN: Si X Geo(p), entonces:
(a) fX es efectivamente funcin de densidad
p
(b) mX (t) = 1(1p)et
1p
(c) E(X) = p

1p 2(1p)2
(d) E(X 2 ) = p + p2
1p
(e) V ar(X) = p2

6. Binomial Negativa
Supngase que se tiene una sucesin infinita de ensayos Bernoulli independientes, en donde la
probabilidad de xito de todos ellos es igual a p (0, 1). Sea X el nmero de fracasos antes del
r-simo xito xito. Entonces P(X = x) = (1 p)x pr .

Definicin: Se dice que X variable aleatoria discreta tiene distribucin binomial negativa con
parmetros r N y p (0, 1), se denota X BinN eg(r, p), si su funcin de densidad de probabilidad
est dada por  
r+x1 r
fX (x) = P(X = x) = p (1 p)x I{0,1,2,...} (x)
x
PROPOSICIN: Si X BinN eg(r, p), entonces:
(a) fX es efectivamente funcin de densidad

r
p
(b) mX (t) = 1(1p)e t

r(1p)
(c) E(X) = p

r(1p)
(d) V ar(X) = p2

7. Hipergeomtrica
Definicin: Se dice que X variable aleatoria discreta tiene distribucin hipergeomtrica con
parmetros n, N, r N, se denota X HiperGeo(n, N, r), si su funcin de densidad de probabilidad
est dada por    r Nr
x
fX (x) = P(X = x) = Nnx
 I{0,1,...,min{n,r}} (x)
n
PROPOSICIN: Si X HiperGeo(n, N, r), entonces:

3
 (a) fX es efectivamente funcin de densidad
rn
(b) E(X) = N
 
rn (n1)(r1)
(b) E(X 2 ) = N N1 +1
 
rn (n1)(r1) rn
(c) V ar(X) = N N1 +1 N

8. Logartmica
Definicin: Se dice que X variable aleatoria discreta tiene distribucin logartmica con parmetro
p (0, 1), se denota X Lg(p), si su funcin de densidad de probabilidad est dada por
1 px
fX (x) = P(X = x) = I (x)
log(1 p) x {1,2,...}

PROPOSICIN: Si X Lg(p), entonces:

(a) fX es efectivamente funcin de densidad

log(1pet )
(b) mX (t) = log(1p)

ap 1
(c) E(X) = log(1p) ,
donde a := log(1p)

(d) V ar(X) = ap(1ap)

(1p) 2 = 1
1p , donde = E(X)

9. Uniforme continua
Definicin: Se dice que X variable aleatoria continua tiene distribucin uniforme continua en
el intervalo (a, b), se denota X U nif(a, b), si su funcin de densidad de probabilidad est dada
por
1
fX (x) = I (x)
b a (a,b)
PROPOSICIN: Si X U nif (a, b), entonces:

(a) fX es efectivamente funcin de densidad

1 bt
(b) mX (t) = t(ba) (e eat )
a+b
(c) E(X) = 2

a2 +ab+b2
(d) E2 (X) = 3

(ba)2
(e) V ar(X) = 12

4
10. Exponencial
Definicin: Se dice que X variable aleatoria continua tiene distribucin exponencial con parmetro
R+ , se denota X exp(), si su funcin de densidad de probabilidad est dada por

fX (x) = ex I(0,) (x)

PROPOSICIN: Si X exp(), entonces:

(a) fX es efectivamente funcin de densidad

(b) mX (t) = t , t<
1
(c) E(X) =
+1
(d) E(X 2 ) = 2
1
(e) V ar(X) = 2

11. Distribucin Gamma

Se define la funcin gamma, (), de la siguiente manera

(t) = xt1 ex dx
0

La funcin gamma satisface algunas propiedades:

(i) (n + 1) = n(n + 1) con n R+ . En particular si n Z+ , entonces (n + 1) = n!

(ii) (p)(1 p) = sen(p) con p (0, 1). En particular con p = 12 , ( 12 )( 12 ) =
sen( 2 ) = , es decir

(( 12 ))2 = ( 12 ) =

(n1)
(iii) Para n impar, ( n2 ) = 2n1 ( n1 )!
2

 ()
(iv) 0 x1 ex dx = x
n n
(v) Forma asinttica de Stirling (n + 1) 2nnn en , en particular n! 2nnn en

(vi) (2) = (1) = 0 ex dx = 1

Definicin: Se dice que X variable aleatoria continua tiene distribucin gamma con parmetros
r > 0 y > 0, se denota X Gamma(r, ), si su funcin de densidad est dada por

r r1 x
fX (x) = x e I(0,) (x)
(r)

PROPOSICIN: Si X Gamma(r, ), entonces:

(a) fX es efectivamente funcin de densidad

r

(b) mX (t) = t si t <
r
(c) E(X) =

5
 r(r+1)
(d) E(X 2 ) = 2
r
(e) V ar(X) = 2

Definicin: Se dice que X variable aleatoria continua tiene distribucin gamma generalizada con
parmetros a > 0, p > 0 y > 0, se denota X GammaG(a, p, ), si su funcin de densidad est
dada por
a a
fX (x) = ap xap1 e(x/) I(0,) (x)
(p)

12. Ji-cuadrada
Definicin: Se dice que X variable aleatoria continua tiene distribucin Ji-cuadrada con k
grados de libertad si X Gamma(k/2, 1/2), se denota X 2(k) , i.e. si su funcin de densidad est
dada por
( 1 )k/2 k 1 x/2
fX (x) = 2 x2 e I(0,) (x)
(k/2)
PROPOSICIN: Si X 2(k) , entonces:

(a) fX es efectivamente funcin de densidad

k/2
1
(b) mX (t) = 12t

(c) E(X) = k

(d) E(X 2 ) = k(k + 2)

(e) V ar(X) = 2k

13. Distribucin Beta

Definicin: Se dice que X variable aleatoria continua tiene distribucin beta con parmetros
> 0 y > 0, se denota X Beta(, ), si su funcin de densidad est dada por
1
fX (x) = x1 (1 x)1 I(0,1) (x)
B(, )
1
donde B(u, v) = 0 tu1 (1 t)v1 dt es conocida como la funcin Beta.

Existe una relacin entre las funciones beta y gamma:

()()
B(, ) =
( + )

PROPOSICIN: Si X Beta(, ), entonces:

(a) fX es efectivamente funcin de densidad

(b) E(X) = +

(+1)
(c) E(X 2 ) = (++1)(+)

6

(d) V ar(X) = (+)2 (++1)

(+r)(+)
(e) E(X r ) = ()(++r)

NOTA: No existe forma analtica para la funcin generadora de momentos para una variable aleato-
ria con distribucin Beta.

14. Normal
Definicin: Se dice que X variable aleatoria continua tiene distribucin normal con parmetros
R y 2 > 0, se denota X N (, 2 ), si su funcin de densidad est dada por
 
1 1 2
fX (x) = exp 2 (x ) IR (x)
2 2 2
PROPOSICIN: Si X N (, 2 ), entonces:
(a) fX es efectivamente funcin de densidad
(b) E(X) =
(c) E(X 2 ) = 2 + 2
(d) V ar(X) = 2
 
(e) mX (t) = exp t + 12 t2 2

15. t de Student
Definicin: Se dice que X variable aleatoria continua tiene distribucin t de Student con k
grados de libertad, se denota X N (, 2 ), si su funcin de densidad est dada por
( k+1
2 ) 1 1
fX (x) = k
k+1 IR (x)
( 2 ) k x2 2
1+ k

16. F de Fisher
Definicin: Se dice que X variable aleatoria continua tiene distribucin F de Fisher con
parmetros m, n > 0, se denota X F (m, n), si su funcin de densidad est dada por
m2
( m+n ) m
m/2 x 2
fX (x) = m 2 n   m+n IR (x)
( 2 )( 2 ) n 1 + (m )x 2
n

17. Log-normal
Definicin: Se dice que X variable aleatoria continua tiene distribucin log-normal con parmet-
ros R y 2 R+ , se denota X LgN (, 2 ), si su funcin de densidad est dada por
   
1 1 log(x) 2
fX (x) = exp I(0,) (x)
x 22 2

PROPOSICIN: Si X LgN (, 2 ), entonces:

7
 (a) fX es efectivamente funcin de densidad
2

(b) E(X) = exp + 2

 
(c) E(X 2 ) = exp 2( + 2 )

(d) V ar(X) = exp(2 + 2 )[exp(2 ) 1]

r2 2
(e) E(X r ) = exp(r + 2 )

18. Logstica
Definicin: Se dice que X variable aleatoria continua tiene distribucin logstica con parmetros
R y R+ , se denota X Logistic(, ), si su funcin de densidad est dada por

e(x)/
fX (x) = IR (x)
(e(x)/ )2

PROPOSICIN: Si X Logistic(, ), entonces:

(a) fX es efectivamente funcin de densidad

(b) E(X) =
2
(c) E(X 2 ) = 2 + 3

2
(d) V ar(X) = 3

19. Log-logstica
Definicin: Se dice que X variable aleatoria continua tiene distribucin log-logstica con parmet-
ros , R+ , se denota X log Logistic(, ), si su funcin de densidad est dada por

(t)1
fX (x) = I (x)
(1 + (t) )2 (0,)

PROPOSICIN: Si X log Logistic(, ), entonces Ln(X) Logistic( = Ln(), = 1/)

20. Distribuciones de Pareto

Definicin: Se dice que X variable aleatoria continua tiene distribucin clsica de Pareto con
parmetros , R+ , se denota X P aI(, ), si su funcin de densidad est dada por

fX (x) = I (x)
x+1 [,)

PROPOSICIN: Si X P aI(, ), entonces:

(a) fX es efectivamente funcin de densidad

(b) E(X) = 1 , >1

8
 r
(c) E(X r ) = r , >r
2
(d) V ar(X) = (1)2 (2)
, >2

Definicin: Se dice que X variable aleatoria continua tiene distribucin Pareto tipo II con parmet-
ros , R+ , se denota X P aII(, ), si su funcin de densidad est dada por
1
fX (x) = I (x)
(1 + x )+1 (0,)

PROPOSICIN: Si X P aII(, ), entonces:

(a) fX es efectivamente funcin de densidad

(b) E(X) = 1 , >1
(r)(r+1) r
(c) E(X r ) = () , >r

2
(d) V ar(X) = (1)2 (2)
, >2

PROPOSICIN: Si X P aII(, ), entonces X P aII(, )

1
PROPOSICIN: Si X Beta(, 1), entonces X P aI(, 1)

Definicin: Se dice que X variable aleatoria continua tiene distribucin Pareto generalizada con
parmetros k, R+ , se denota X GP a(k, ), si su funcin de densidad est dada por
  1
1 kx k1
fX (x) = 1 I(0,) (x)

PROPOSICIN: Si X GP a(k, ), entonces:

(a) fX es efectivamente funcin de densidad

 r 
(b) E 1 kX
1
= 1+rk

(c) E(X) = 1+k

2
(d) V ar(X) = (1+k)2 (1+2k)
, >2

21. Inversa Gaussiana

Definicin: Se dice que X variable aleatoria continua tiene distribucin inversa Gaussiana con
parmetros , R+ , se denota X IG(, ), si su funcin de densidad est dada por
  
2
fX (x) = exp 2 (x ) I(0,) (x)
2x3 2 x

PROPOSICIN: Si X IG(, ), entonces:

9
 (a) fX es efectivamente funcin de densidad
(b) E(X) =
(c) E(X 2 ) = 2 (1 + )
3
(d) V ar(X) =
   
22 t
(e) mX (t) = exp 1 1

22. Gompertz
La siguiente distribucin la propuso Benjamin Gompertz para ajustar tablas de mortalidad.

Definicin: Se dice que X variable aleatoria continua tiene distribucin Gompertz con parmet-
ros b, c R+ , se denota X Gom(b, c), si su funcin de densidad est dada por
 
cx b cx
fX (x) = be exp (e 1) I(0,) (x)
c

23. Makeham
Definicin: Se dice que X variable aleatoria continua tiene distribucin Makeham con parmet-
ros a, b, c R+ , se denota X Mak(a, b, c), si su funcin de densidad est dada por
 
cx b cx
fX (x) = (a + be )exp ax (e 1) I(0,) (x)
c

24. Distribuciones de Benktander

Las distribuciones de Benktander (Benktander & Segerdahl (1960), Benktander (1960)) surgen
con la idea de encontrar una distribucin cuya vida residual media se encuentre entre las vidas
residuales medias de las distribuciones exponencial y de Pareto.

Definicin: Se definen las distribuciones de Benktander como,

(I) Benktander tipo I (a > 0, b (0, 1], > 0)

1 ( x )(1b) exp[ ab (xb b )] si x ;
F (x) =
0 si x <

(II) Benktander tipo II (a > 0, b 0, > 0)

 a+2b log(x) x a1
1 a+2b log() ( ) exp[b(log2 (x) log2 ())] si x ;
F (x) =
0 si x <

PROPOSICIN: Si X tiene una distribucin Benktander tipo I, entonces

(1 + a + 2b log())
E(X) =
a + 2b log()
PROPOSICIN: Si X tiene una distribucin Benktander tipo II, entonces
 
1
E(X) = 1 + b
a

10
25. Gumbel
Definicin: Se dice que X variable aleatoria continua tiene distribucin Gumbel con parmetros
R, > 0, se denota X Gum(, ), si su funcin de densidad est dada por
1 x x
fX (x) = exp( )exp[exp( )]IR (x)

PROPOSICIN: Si X Gum(, ), entonces:

(a) fX es efectivamente funcin de densidad

(b) E(X) = (1)

(c) E(X 2 ) = 2 + 6 2
2(1) + ((1))2

(d) V ar(X) = 62

26. Weibull
Definicin: Se dice que X variable aleatoria continua tiene distribucin Weibull con parmetros
R, > 0, > 0, se denota X W ei(, , ), si su funcin de densidad est dada por
 
1 x
fX (x) = (x ) exp ( ) I(,) (x)

PROPOSICIN: Si X W ei(, , ), entonces:

(a) fX es efectivamente funcin de densidad

(b) E(X) = + (1 + 1 )

(c) E(X 2 ) = 2 + 2(1 + 1 ) + 2 (1 + 2 )

(d) V ar(X) = 2 [(1 + 2 ) 2 (1 + 1 )]

27. Frchet
Definicin: Se dice que X variable aleatoria continua tiene distribucin Frchet con parmetros
R, > 0, > 0, se denota X F rechet(, , ), si su funcin de densidad est dada por
   
1
fX (x) = (x ) exp I(,) (x)
x

PROPOSICIN: Si X F rechet(, , ), entonces:

(a) fX es efectivamente funcin de densidad

(b) E(X) = + (1 1 )

(c) E(X 2 ) = 2 + 2(1 1 ) + 2 (1 2 )

(d) V ar(X) = 2 [(1 2 ) 2 (1 1 )]

11