UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO

UNIDAD ACADÉMICA PROFESIONAL CUAUTITLÁN IZCALLI

Maestro: Zarate Naranjo Mario

Materia: Modelos Actuariales
Alumno: Schacht Guerra Ivan Alejandro

1
Índice
CONTENIDO Página

1. Caracterı́sticas Estadı́sticas 3

2. Distribuciones de probabilidad 3
2.1. Distribuciones discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.1.1. Distribución uniforme discreta X ∼ unif {x1 , ..., xn } . . . . . . . 3
2.1.2. Distribución Bernoulli X ∼ Ber(p) . . . . . . . . . . . . . . . . 3
2.1.3. Distribución binomial X ∼ bin(n, p) . . . . . . . . . . . . . . . . 4
2.1.4. Distribución geométrica X ∼ geo(p) . . . . . . . . . . . . . . . . 4
2.1.5. Distribución binomial negativa X ∼ bin neg(r, p) . . . . . . . . 4
2.1.6. Distribución hipergeométrica X ∼ hipergeo(N, K, n) . . . . . . 5
2.1.7. Distribución Poisson X ∼ P oisson(λ) . . . . . . . . . . . . . . . 5
2.2. Distribuciones continuas . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2.1. Distribución uniforme continua X ∼ unif (a, b) . . . . . . . . . . 5
2.2.2. Distribución exponencial X ∼ exp(λ) . . . . . . . . . . . . . . . 6
2.2.3. Distribución gamma X ∼ gamma(α, λ) . . . . . . . . . . . . . . 6
2.2.4. Distribución beta X ∼ beta(a, b) . . . . . . . . . . . . . . . . . . 6
2.2.5. Distribución Weibull X ∼ W eibull(α, λ) . . . . . . . . . . . . . 7
2.2.6. Distribución normal X ∼ N (µ, σ 2 ) . . . . . . . . . . . . . . . . 7
2.2.7. Distribución ji-cuadrada X ∼ χ2 (n) . . . . . . . . . . . . . . . . 8
2.2.8. Distribución t X ∼ t(n) . . . . . . . . . . . . . . . . . . . . . . 8
2.2.9. Distribución F X ∼ F (a, b) . . . . . . . . . . . . . . . . . . . . 8

2
1. Caracterı́sticas Estadı́sticas
Variables Aleatorias Discretas Variables Aleatorias Continuas
P R∞
Media x · p(x) −∞
x · f(x) dx
R∞
(x − µ)2 · p(x) (x − µ)2 · f(x) dx
P
Varianza −∞
R∞
E[(X − E[X])k ] (x − µ)k · p(x) (x − µ)k · f(x) dx
P
−∞
R ∞ tx
Mx (t) = E[etx ]
P tx
e · p(x) −∞
e · f(x) dx

Para Obtener E[X k ] mediante Mx (t):

d(k) Mx (t)
= E[X k ]
dtk

2. Distribuciones de probabilidad

2.1. Distribuciones discretas

2.1.1. Distribución uniforme discreta X ∼ unif {x1 , ..., xn }

 1 si x = x1 , ..., xn


 p(x) = n
0 en otro caso.

1 Pn
 E[X] = xi = µ
n i=i
1 Pn
 V ar[X] = (xi − µ)2
n i=i
et (1 − ent )
 Mx (t) =
n(1 − et )

2.1.2. Distribución Bernoulli X ∼ Ber(p)




 1−p si x = 0

 p(x) = p si x = 1



 0 en otro caso.

 E[X] = p

3
  V ar[X] = p(1 − p)

 Mx (t) = 1 − p + pet

2.1.3. Distribución binomial X ∼ bin(n, p)

 
 n px (1 − p)n−x

si x > 0
 p(x) = x

 0 en otro caso.

 E[X] = np

 V ar[X] = np(1 − p)

 Mx (t) = (1 − p + pet )n

2.1.4. Distribución geométrica X ∼ geo(p)


p(1 − p)x si x > 0
 p(x) =
 0 en otro caso.

1−p
 E[X] =
p
1−p
 V ar[X] =
p2
p
 Mx (t) = para |t| < −ln(1 − p)
1 − (1 − p)et

2.1.5. Distribución binomial negativa X ∼ bin neg(r, p)

 
r + x − 1
pr (1 − p)x si x > 0


 p(x) = x

 0 en otro caso.

r(1 − p)
 E[X] =
p
r(1 − p)
 V ar[X] =
p2
p
 Mx (t) = ( )r para |t| < −ln(1 − p)
1 − (1 − p)et

4
2.1.6. Distribución hipergeométrica X ∼ hipergeo(N, K, n)
   
 K N −K

 x  n− x


si x > 0

 p(x) = N



 n

0 en otro caso.


K
 E[X] = n
N
KN −KN −n
 V ar[X] = n
N N N −1

2.1.7. Distribución Poisson X ∼ P oisson(λ)

x
e−λ λ

si x > 0
 p(x) = x!
 0 en otro caso.

 E[X] = λ

 V ar[X] = λ

t
 Mx (t) = eλ(e −1)

2.2. Distribuciones continuas

2.2.1. Distribución uniforme continua X ∼ unif (a, b)

 1
 si a < x < b
 f (x) = b − a
0 en otro caso.


a+b
 E[X] =
2
(b − a)2
 V ar[X] =
12
ebt − eat
 Mx (t) = para t 6= 0
t(b − a)

5
2.2.2. Distribución exponencial X ∼ exp(λ)

λe−λx si x > 0
 f (x) =
 0 en otro caso.

1
 E[X] =
λ
1
 V ar[X] =
λ2
λ
 Mx (t) = para t < λ
λ−t

2.2.3. Distribución gamma X ∼ gamma(α, λ)

α−1

 (λx)

λe−λx si x > 0
 f (x) = Γ(α)

 0 en otro caso.
α
 E[X] =
λ
α
 V ar[X] =
λ2
λ α
 Mx (t) = ( ) para t < λ
λ−t

Propiedades:

2.2.4. Distribución beta X ∼ beta(a, b)


 1 xa−1 (1 − x)b−1 si 0 < x < 1

 f (x) = B(a, b)
0 en otro caso.



a
 E[X] =
a+b
ab
 V ar[X] =
(a + b + 1)(a + b)2

6
 P∞ tn B(a + n, b)
 Mx (t) = n=0
n! B(a, b)

Propiedades:

2.2.5. Distribución Weibull X ∼ W eibull(α, λ)


λα(λx)α−1 e−(λx)α si x > 0
 f (x) =
 0 en otro caso.

1 1
 E[X] = Γ(1 + )
λ α
1 2 1
 V ar[X] = [Γ(1 + ) − Γ2 (1 + )]
λ α α
tn 1 n
 Mx (t) = ∞
P
n=0 n
Γ(1 + )
n! λ α

2.2.6. Distribución normal X ∼ N (µ, σ 2 )

(x − µ)2
1 −
 f (x) = √ e 2σ 2 para −∞ < x < ∞
2πσ 2
 E[X] = µ

 V ar[X] = σ 2

1 2 t2
 Mx (t) = eµt+ 2 σ

Distribución normal estándar

x2
1 −
 f (x) = √ e 2 para −∞ < x < ∞
2π

7
  Sea X con distribución N (µ, σ 2 ). Entonces:

x−µ
Z= ∼ N (0, 1)
σ

2.2.7. Distribución ji-cuadrada X ∼ χ2 (n)


 1 ( 1 )n/2 xn/2−1 e−x/2
 si x > 0
 f (x) = Γ(n/2) 2
0 en otro caso.



 E[X] = n

 V ar[X] = 2n
1 1
 Mx (t) = ( )n/2 para t <
1 − 2t 2

2.2.8. Distribución t X ∼ t(n)

n+1
Γ( ) x2 −(n+1)/2
 f (x) = √ 2 (1 + ) para −∞ < x < ∞
n n
nπ Γ( )
2
 E[X] = 0 si n > 1
n
 V ar[X] = si n > 2
n−2

2.2.9. Distribución F X ∼ F (a, b)

a+b


 Γ( ) a a


 2 ( )a/2 xa/2−1 (1 + x)−(a+b)/2 si x > 0
 f (x) = Γ( a )Γ( b ) b b


 2 2

 0 en otro caso.

b
 E[X] = si b > 2
b−2
2b2 (a + b − 2)
 V ar[X] = si b > 4
a(b − 2)2 (b − 4)