Formulario Completo de Distribuciones de

Probabilidad

1 Distribuciones Discretas
1.1 Distribución Bernoulli
La distribución Bernoulli describe un experimento que tiene exactamente dos
resultados posibles: éxito (con probabilidad p) o fracaso (con probabilidad 1−p).
Función de Probabilidad:

P (X = x) = px (1 − p)1−x , x = 0, 1

donde p es la probabilidad de éxito.

Aplicación: Se utiliza en experimentos que tienen dos posibles resultados,
como lanzar una moneda, donde las dos posibilidades son cara o cruz.
Ejemplo: El lanzamiento de una moneda justa es un experimento de Bernoulli
con p = 0.5.

1.2 Distribución Binomial

La distribución binomial describe el número de éxitos en una secuencia de n
experimentos independientes, cada uno con una probabilidad de éxito constante
p.
Función de Probabilidad:
 
n k
P (X = k) = p (1 − p)n−k
k
donde n es el número de ensayos, k es el número de éxitos deseados, p es la
probabilidad de éxito en un solo ensayo, y 1 − p es la probabilidad de fracaso.
Aplicación: Se aplica cuando se cuenta el número de éxitos en un conjunto
fijo de ensayos independientes.
Ejemplo: El número de veces que una moneda cae en cara después de 10
lanzamientos.

1.3 Distribución Geométrica

La distribución geométrica describe la probabilidad de obtener el primer éxito
en el k-ésimo intento en una secuencia de ensayos de Bernoulli.

1
 Función de Probabilidad:
P (X = k) = (1 − p)k−1 p
donde p es la probabilidad de éxito en un solo ensayo.
Aplicación: Se aplica cuando se busca la probabilidad de obtener el primer
éxito en un número determinado de intentos.
Ejemplo: La probabilidad de que la primera llamada telefónica que conteste
sea una venta exitosa después de varios intentos.

1.4 Distribución Poisson

La distribución de Poisson describe el número de eventos que ocurren en un
intervalo fijo de tiempo o espacio, cuando estos eventos ocurren con una tasa
promedio constante y de manera independiente.
Función de Probabilidad:
λk e−λ
P (X = k) =
k!
donde λ es el número promedio de eventos en el intervalo y k es el número de
eventos observados.
Aplicación: Se utiliza para modelar el número de eventos que ocurren en
un tiempo o espacio fijo, como la llegada de llamadas a una central telefónica.
Ejemplo: El número de autos que pasan por un peaje en una hora.

1.5 Distribución Binomial Negativa

La distribución binomial negativa describe el número de ensayos necesarios para
obtener r éxitos en una secuencia de ensayos de Bernoulli.
Función de Probabilidad:
 
k−1 r
P (X = k) = p (1 − p)k−r , k ≥ r
r−1
donde p es la probabilidad de éxito en un solo ensayo, r es el número de éxitos,
y k es el número total de ensayos.
Aplicación: Se aplica en situaciones donde se cuenta el número de ensayos
necesarios para obtener un número especı́fico de éxitos.
Ejemplo: El número de lanzamientos de una moneda necesarios para obtener
3 caras.

1.6 Distribución Hipergeométrica

La distribución hipergeométrica describe la probabilidad de k éxitos en n ex-
tracciones sin reemplazo de una población de tamaño N que contiene K éxitos.
Función de Probabilidad:
K N −K



k n−k
P (X = k) = N


n

Juan Carlos Catunta

donde N es el tamaño de la población, K es el número de éxitos en la población,
n es el número de extracciones, y k es el número de éxitos deseados.
Aplicación: Se aplica en situaciones de muestreo sin reemplazo, como se-
leccionar cartas de una baraja sin devolverlas.
Ejemplo: La probabilidad de sacar 2 ases en una mano de 5 cartas de una
baraja de 52 cartas.

1.7 Distribución Multinomial

La distribución multinomial generaliza la distribución binomial a más de dos
categorı́as.
Función de Probabilidad:
n!
P (X1 = x1 , . . . , Xk = xk ) = px1 · · · pxkk
x1 ! · · · xk ! 1
donde pi es la probabilidad de la categorı́a i, xi es el número de observaciones
en la categorı́a i, y n es el número total de observaciones.
Aplicación: Se utiliza cuando se realizan ensayos donde cada resultado
puede caer en una de varias categorı́as.
Ejemplo: La distribución de votos entre varios candidatos en una elección.

2 Distribuciones Continuas
2.1 Distribución Uniforme
La distribución uniforme describe una variable aleatoria continua que tiene la
misma probabilidad de tomar cualquier valor dentro de un intervalo [a, b].
Función de Densidad de Probabilidad:
1
f (x) = , a≤x≤b
b−a
donde a y b son los lı́mites inferior y superior del intervalo.
Aplicación: Se aplica cuando todos los resultados en un intervalo son igual-
mente probables.
Ejemplo: El tiempo de espera para un autobús que llega en cualquier mo-
mento dentro de un intervalo de 10 minutos.

2.2 Distribución Exponencial

La distribución exponencial describe el tiempo entre eventos en un proceso de
Poisson, donde los eventos ocurren de manera continua y de manera independi-
ente a una tasa constante.
Función de Densidad de Probabilidad:

f (x) = λe−λx , x≥0

Juan Carlos Catunta

donde λ es la tasa de eventos por unidad de tiempo o espacio.
Aplicación: Se aplica en el modelado del tiempo entre eventos, como el
tiempo hasta la falla de un dispositivo.
Ejemplo: El tiempo entre llegadas de clientes a un banco.

2.3 Distribución Normal

La distribución normal es una distribución continua que es simétrica respecto a
su media, y describe muchas variables naturales.
Función de Densidad de Probabilidad:
1 (x−µ)2
f (x) = √ e− 2σ2
σ 2π
donde µ es la media y σ es la desviación estándar.
Aplicación: Se aplica en situaciones donde los datos tienden a agruparse
alrededor de un valor medio, como la altura o el peso de personas en una
población.
Ejemplo: Las puntuaciones de CI en una población general.

2.4 Distribución Beta

La distribución beta es una distribución continua definida en el intervalo [0, 1],
a menudo utilizada para modelar proporciones.
Función de Densidad de Probabilidad:
xα−1 (1 − x)β−1
f (x) = , 0≤x≤1
B(α, β)
donde α > 0 y β > 0 son parámetros de forma, y B(α, β) es la función beta.
Aplicación: Se utiliza para modelar probabilidades o proporciones que
varı́an entre 0 y 1.
Ejemplo: La probabilidad de éxito en una prueba basada en la experiencia
previa de éxito y fracaso.

2.5 Distribución Gamma

La distribución gamma generaliza la distribución exponencial y es utilizada para
modelar el tiempo hasta la ocurrencia de k eventos en un proceso de Poisson.
Función de Densidad de Probabilidad:
λk xk−1 e−λx
f (x) = , x≥0
Γ(k)
donde λ es la tasa y k es el parámetro de forma.
Aplicación: Se aplica en la modelización del tiempo hasta que ocurren
múltiples eventos, como el tiempo hasta la tercera llamada en un centro de
llamadas.
Ejemplo: El tiempo que tarda en completarse un proyecto con múltiples
fases.

Juan Carlos Catunta

2.6 Distribución Log-Normal
La distribución log-normal describe una variable aleatoria cuyo logaritmo está
distribuido normalmente.
Función de Densidad de Probabilidad:
1 (ln x−µ)2
f (x) = √ e− 2σ 2 , x>0
xσ 2π
donde µ y σ son los parámetros de la distribución normal subyacente.
Aplicación: Se utiliza en situaciones donde los datos se distribuyen positi-
vamente y están sesgados a la derecha.
Ejemplo: La distribución de ingresos personales en una economı́a.

2.7 Distribución Chi-Cuadrado

La distribución chi-cuadrado es una distribución continua que aparece frecuente-
mente en pruebas de hipótesis y en la estimación de varianzas.
Función de Densidad de Probabilidad:
1
f (x) = xk/2−1 e−x/2 , x≥0
2k/2 Γ(k/2)

donde k es el número de grados de libertad.

Aplicación: Se utiliza en pruebas de independencia en tablas de contingen-
cia y en la estimación de varianzas.
Ejemplo: Evaluar la independencia de dos variables categóricas en una
tabla de contingencia.

2.8 Distribución t de Student

La distribución t de Student es una distribución continua que aparece en la
estimación de la media de una población normalmente distribuida cuando el
tamaño de la muestra es pequeño.
Función de Densidad de Probabilidad:
− ν+1
Γ ν+1


2 t2 2

f (t) = √ 1 +
νπΓ ν2


ν

donde ν es el número de grados de libertad.

Aplicación: Se utiliza cuando se estima la media de una población a partir
de muestras pequeñas.
Ejemplo: Estimar la media de la altura de estudiantes en una clase pequeña.

2.9 Distribución F de Fisher-Snedecor

La distribución F se usa para comparar dos varianzas y es común en análisis de
varianza (ANOVA).

Juan Carlos Catunta

 Función de Densidad de Probabilidad:
 d1 /2
d1 −( d1 +d
d2 xd1 /2−1  d1 2
2
)
f (x) = 1 + x , x>0
B d21 , d22


d2

donde d1 y d2 son los grados de libertad del numerador y denominador, respec-

tivamente, y B es la función beta.
Aplicación: Se utiliza en el análisis de varianza para comparar la variabil-
idad entre grupos.
Ejemplo: Comparar la varianza de notas entre diferentes grupos de estudi-
antes que utilizan métodos de estudio distintos.

Juan Carlos Catunta