.

UNIVERSIDAD DE LAS FUERZAS ARMADAS

ESPE EXTENSIÓN LATACUNGA
INGENIERIA ELECTRÓNICA E INSTRUMENTACIÓN
PROCESOS ESTEOCASTICOS
FUNCIONES DE PROBABILIDAD
María Belén ZAPATA SARZOSA
mbzapata@espe.edu.ec

1. RESUMEN:

La distribución de probabilidad de una variable aleatoria es

una función que asigna a cada suceso definido sobre la variable aleatoria
la probabilidad de que dicho suceso ocurra.
La distribución de probabilidad está definida sobre el conjunto de todos los
sucesos, cada uno de los sucesos es el rango de valores de la variable aleatoria.
La función de densidad de probabilidad simplemente, densidad de una variable
aleatoria continua describe la probabilidad relativa según la cual dicha variable
aleatoria tomará determinado valor.
La probabilidad de que la variable aleatoria caiga en una región específica del
espacio de posibilidades estará dada por la integral de la densidad de esta
variable entre uno y otro límite de dicha región.

2. TEORIA

FUNCION DE PROBABILIDAD NORMAL

CONCEPTO
Una variable aleatoria X, de tipo continuo, sigue una distribución normal de
parámetros μ y σ si su función de densidad es:
 ( x   )2
1
f ( x)  e 2 2
, -∞< x<+∞
 2

Donde μ, σ   y tales que -∞<μ<+∞ y σ>0. (π=3,14159, e=2,71828)

FORMA DE ONDA

1
.

La representación gráfica de la función de densidad f(x) de la N( μ,σ). Para ello

veremos que se cumplen las siguientes propiedades:
1. f(x) es continua en toda la recta real.
2. f(x) es simétrica respecto de x = μ es decir es simétrica respecto del
parámetro μ.
3. f(x) tiene como asíntota horizontal el eje de abscisas.
4. f(x) es estrictamente creciente cuando x<μ, y estrictamente decreciente
cuando x>μ.
5. f(x) presenta un máximo cuando x=μ, ese máximo vale f(μ)= 1
 2

El gráfico nos muestra la representación gráfica de la función de densidad, f(x),

de una distribución normal de parámetros μ y σ:

Ilustración 1. FUNCION DISTRIBUCION DE PROBABILIDADES

Se observa que tiene forma de campana, de aquí que frecuentemente se le

llame campana de Gauss. También se pone de manifiesto que el parámetro μ
corresponde al máximo y al centro de la distribución y el parámetro σ nos da
idea del grado de apertura o aplastamiento de la curva f(x).

VALOR MEDIO E [X]=μ

El parámetro μ es la media de la distribución. Sabemos que la función de
densidad f(x) de una N(μ,σ) es simétrica respecto de su media μ, es decir P[X≤μ
]= P [X≥μ] = 0,5 lo cual nos permite decir que el parámetro μ es la mediana de
la distribución.
La función de densidad f(x) presentaba un máximo para x= μ ,lo cual nos indica
que el parámetro μ es la moda de la distribución.
En consecuencia diremos que en una distribución N( μ,σ), la media, la mediana
y la moda coinciden con el parámetro μ.

VARIANZA VAR[X] = σ²
Luego el parámetro σ que utilizamos en la N( μ,σ) es la desviación típica de la
distribución, y en el caso de la N(0,1) la desviación típica es la unidad.

2
.

DESVIACION ESTANDAR
𝝈 = √𝑽𝑨𝑹[𝑿]
FUNCION ACUMULATIVA
En la tabla de tablas estadísticas aparece tabulada la función de distribución de
una N(0,1).

Como la función de densidad de la distribución normal es completamente

simétrica, en este caso respecto al parámetro de media μ=0, se da una sola tabla
de valores de Z, incluyendo solamente los valores positivos de Z.
Para indicar el uso de la tabla consideramos las siguientes reglas básicas:

1. P(X≤-a)=1-P(X≤a)
2. P(X>a)=1-P(X≤a)
3. P(a≤X≤b)=P(X≤b)-P(X≤a)
4. P(-a≤X≤a)=2P(X≤a)-1
5. P(-a≤X≤b)=P(X≤b)+P(X≤a)-1
6. P(-a≤X≤-b)=P(X≤a)-P(X≤b)

Propiedades

1. Propiedad reproductiva.
La suma de n variables aleatorias independientes, X1 , X 2 ,..., X n y distribuidas
según una N  i ,  i  , i = 1, 2, ..., n, sigue una distribución N ( μ 1 +....+  n ,

12  ...   n2 )

2. Si X1 , X 2 ,..., X n son n variables aleatorias independientes e idénticamente

distribuidas, según una N(μ,σ), entonces la variable aleatoria suma de las n
variables Y= X1  X 2  ...  X n sigue una distribución N( nμ, n )

3. Si X1 , X 2 ,..., X n son n variables aleatorias independientes e idénticamente

distribuidas, según una N(μ,σ), entonces la variable aleatoria media aritmética
de estas n variables X  X 1  X 2  ...  X n sigue una distribución N(μ ,σ/ n ).
n

GRAFICO DE LA FUNCION ACUMULATIVA

3
.

EJERCICIO
La vida media de una lámpara, según el fabricante, es de 68 meses, con una
desviación típica de 5. Se supone que se distribuye según una distribución
normal En un lote de 10.000 lámparas. a) ¿Cuántas lámparas superarán
previsiblemente los 75 meses?. b) ¿Cuántos lámparas se estropearán antes de
60 meses?
Resolución
a)
t = (75 -68)/5 = 1,4

P (X > 75) = (t > 1,4) = 1 - P (t ≤ 1,4) = 1 - 0,9192 = 0,0808

Luego, el 8,08% de las lámparas (808 lámparas) superarán los 75 meses

b)

t = (60 -68)/5 = -1,6

P (X ≤ 60) = (t ≤ -1,6) = P (t> 1,6) = 1 - P (t ≤ 1,6) = 0,0548

Luego, el 5,48% del lote (548 lámparas) no llegarán probablemente a durar 60

meses

FUNCION DE PROBABILIDAD POISSON

CONCEPTO

Se trata de un modelo discreto, pero en el que el conjunto de valores con

probabilidad no nula no es finito, sino numerable. Se dice que una variable
aleatoria X sigue la distribución de Poisson si su función de densidad viene dada
por:

4
.

Como vemos, este modelo se caracteriza por un sólo parámetro λ, que debe ser
positivo.

El número "e" es 2,71828

" l " = n * p (es decir, el número de veces " n " que se realiza el experimento
multiplicado por la probabilidad " p " de éxito en cada ensayo)

" k " es el número de éxito cuya probabilidad se está calculando

FORMA DE ONDA

Ilustración 2. FUNCION DE DISTRIBUCION POISSON

VALOR MEDIO

Esperanza: E(X) = λ.

VARIANZA

Varianza: V(X) = λ.

En esta distribución la esperanza y la varianza coinciden.

La suma de dos variables aleatorias independientes con distribución de Poisson

resulta en una nueva variable aleatoria, también con distribución de Poisson, de
parámetro igual a la suma de parámetros:

X1 ~ P(λ = λ1) y X2 ~ P(λ = λ2)

y definimos Z = X1 + X2, entonces,

Z ~ P(λ = λ1 + λ2)

Este resultado se extiende inmediatamente al caso de n variables aleatorias

independientes con distribución de Poisson. En este caso, la variable suma de

5
.

todas ellas sigue una distribución de Poisson de parámetro igual a la suma de

los parámetros.

FUNCION ACUMULATIVA

Si X es una variable aleatoria que tiene distribución de Poisson con parámetro l,

entonces:

La función de distribución acumulada correspondiente es:

En muchos casos el cálculo de probabilidades de variables aleatorias que se

apegan a una distribución de Poisson es largo y tedioso. En donde sea posible,
al igual que en la distribución Binomial, se puede hacer uso de las tablas que
vienen en el apéndice, las cuales se basan en la función de distribución
acumulada y tan sólo hay que aplicar las propiedades ya vistas para esta función
para simplificar los cálculos.

Para efectos de representación y un mayor control de los datos que intervienen

en la tabla, haremos que

GRAFICO DE LA FUNCION ACUMULATIVA

EJERCICIO
Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un día dado?

Solución:

6
.

x = variable que nos define el número de cheques sin fondo que llegan al
banco en un día cualquiera = 0, 1, 2, 3, ....., etc, etc.
l = 6 cheques sin fondo por día
e = 2.718

FUNCION DE PROBABILIDAD CAUCHY

CONCEPTO
La distribución de Cauchy se utiliza a menudo en las estadísticas como el
ejemplo canónico de una distribución "patológico". Tanto su media y su varianza
son indefinidos. La distribución de Cauchy no tiene momentos finitos de orden
mayor o igual a uno; sólo existen momentos absolutos fraccionarios. La
distribución de Cauchy no tiene ninguna función generadora de momento.
1 1  xa
F ( x)   arc.tg. 
2   b 
FORMA DE ONDA

VALOR MEDIO VARIANZA DESVIACION ESTANDAR

No tiene momentos finitos

FUNCION DE PROBABILIDAD ERLANG

CONCEPTO
La distribución de Erlang es una distribución de probabilidad continua con amplia
aplicabilidad principalmente debido a su relación con las distribuciones
exponencial y gamma. La distribución de Erlang es una distribución continua,
que tiene un valor positivo para todos los números reales mayores que cero, y
viene dada por dos parámetros: la forma, que es un entero positivo, y la tasa,
que es un número real positivo. La distribución se define a veces utilizando la

7
.

inversa de la tasa parámetro, la escala. Es la distribución de la suma de las

variables exponenciales independientes con media.
Cuando el parámetro de forma es igual a 1, la distribución se simplifica a la
distribución exponencial. La distribución Erlang es un caso especial de la
distribución Gamma, donde el parámetro de forma es un número entero. En la
distribución Gamma, este parámetro no se limita a los números enteros.
Densidad

  -1 x
f ( x)  x e I0, ( x)
( )
FORMA DE ONDA

Erlang Distribution
1 Shape,Scale
1,1
0,8 2,1
3,1
density

0,6 5,1
10,1
0,4

0,2

0
0 5 10 15 20 25 30
x

Erlang Distribution
cumulative probability

1 Shape,Scale
1,1
0,8 2,1
3,1
0,6 5,1
10,1
0,4

0,2

0
0 5 10 15 20 25 30
x

VALOR MEDIO VARIANZA DESVIACION ESTANDAR

a a
Media: Varianza:
 2

FUNCION ACUMULATIVA
La función de distribución acumulativa de la distribución de Erlang es:

8
.

Donde es la función gamma incompleta más baja

GRAFICO DE LA FUNCION ACUMULATIVA

EJERCICIO
Las fallas de las unidades de procesamiento central de los sistemas de
computadores grandes se modelan con frecuencias como un proceso de
Poisson. Por lo general, las fallas no son causadas por desgaste sino por otros
factores. Suponga que las unidades que fallas se reparan de inmediato y que el
número promedio de fallas por hora es de 0.00001. Sea que X denote el tiempo
hasta que ocurran 4 fallas en un sistema. Determine la probabilidad de que x
exceda 40000 horas.

Solución

𝑥 = 40000 ℎ𝑜𝑟𝑎𝑠
𝑓𝑎𝑙𝑙𝑎𝑠
𝜆 = 0.00001
ℎ𝑜𝑟𝑎
𝑟 = 4 𝑓𝑎𝑙𝑙𝑎𝑠

∞
𝜆𝑟 𝑥 𝑟−1 𝑒 −𝜆𝑥
𝑝(𝑥 < 40000) = ∫ = 0.433
−∞ (𝑟 − 1)!

FUNCION DE PROBABILIDAD LAPLACE

CONCEPTO
Conocida como distribución doble exponencial puesto que puede ser
considerada como la relación las densidades de dos distribuciones
exponenciales adyacentes. La distribución de Laplace resulta de la diferencia de
dos variables exponenciales aleatorias, independientes e idénticamente
distribuidas. Su función de densidad esta definida como:

9
.

1
f ( x)   e | x|
2
FORMA DE ONDA

Laplace Distribution
0,5 Mean,Scale
0,1
0,4
density

0,3

0,2

0,1

0
-5 -3 -1 1 3 5
x

Laplace Distribution
cumulative probability

1 Mean,Scale
0,1
0,8

0,6

0,4

0,2

0
-5 -3 -1 1 3 5
x

VALOR MEDIO VARIANZA DESVIACION ESTANDAR

2
Media: 𝑢 varianza: ;
2

FUNCION ACUMULATIVA
La integral de la distribución de Laplace se obtiene con facilidad gracias al uso
del valor absoluto. Su función de distribución acumulativa es:

10
.

La inversa de la función de distribución acumulativa es:

GRAFICO DE LA FUNCION ACUMULATIVA

FUNCION DE PROBABILIDAD GAMMA

CONCEPTO
En estadística la distribución gamma es una distribución de
probabilidad continua con dos parámetros y cuya función de densidad para
valores es

Aquí es el número e y es la función gamma. Para valores la función

gamma es (el factorial de ). En este caso - por ejemplo

11
.

para describir un proceso de Poisson - se llaman la distribición distribución

Erlang con un parámetro .

FORMA DE ONDA

VALOR MEDIO VARIANZA DESVIACION ESTANDAR

El valor esperado y la varianza de una variable aleatoria X de distribución
gamma son:

FUNCION DE PROBABILIDAD RICE

CONCEPTO
La distribución de Nakagami-Rice se deduce también de la distribución
gaussiana, y generaliza la distribución de Rayleigh. Puede considerarse como la
distribución de la longitud de un vector que es la suma de un vector fijo y de un
vector cuya longitud tiene una distribución de Rayleigh. De forma alternativa,
dada una distribución gaussiana bidimensional con dos variables independientes
x e y y con la misma desviación típica , la longitud de un vector que une un
punto de la distribución con un punto fijo, diferente del centro de la distribución,
tiene una distribución de Nakagami-Rice.
Si se designa por a la longitud del vector fijo, y  la longitud más probable del
vector de Rayleigh, la densidad de probabilidad vendrá dada por:
x  x2  a2   a x 
p ( x)  exp   I  
2  2  0 2 
  2    
FORMA DE ONDA

12
.

VALOR MEDIO VARIANZA DESVIACION ESTANDAR

Esta distribución depende de dos parámetros, pero para las aplicaciones a los
problemas de propagación, se deberá elegir una relación entre la amplitud a del
vector fijo y la amplitud cuadrática media 2 del vector aleatorio. Esta
relación depende de la aplicación considerada. Las dos aplicaciones
principales son las siguientes:
a) La potencia del vector fijo es constante, pero varía la potencia total de las
componentes fija y aleatoria.
Si se estudia la influencia de un rayo reflejado por una superficie rugosa,
a representa el campo del rayo directo, que puede considerarse como
constante y que se toma como referencia escribiendo:
 representa la amplitud relativa del rayo reflejado. La potencia media recibida
será entonces igual a (1 +2) a2.
b) La potencia total de las componentes fija y aleatoria es constante, pero varían
ambas componentes.
Si se estudia la propagación por trayectos múltiples a través de la
atmósfera, se puede considerar que la suma de la potencia transportada por el
vector fijo y de la potencia media transportada por el vector aleatorio es
constante, puesto que la potencia transportada por el vector aleatorio proviene
de la del vector fijo. Tomando la potencia total como unidad, se obtiene, pues:

a2 +22  1
si suponemos que:
a  cos 
deducimos que:

2 = sen j
La fracción de la potencia total transportada por el vector aleatorio es pues
igual a sen2 . Igualmente, si se designa por X la amplitud instantánea del
vector resultante y por x un valor numérico de esta amplitud, la probabilidad de
obtener un nivel instantáneo superior a x viene dada por:
Prob (X > x)  1 – F(x)  2 exp d (19)

FUNCION DE PROBABILIDAD MUTINOMIAL

CONCEPTO

Este modelo se puede ver como una generalización del Binomial en el que, en
lugar de tener dos posibles resultados, tenemos r resultados posibles.

13
.

Supongamos que el resultado de una determinada experiencia puede

ser r valores distintos: A1, A2, ..., Ar cada uno de ellos con probabilidad p1, p2,
..., pr, respectivamente.

Si repetimos la experiencia n veces en condiciones independientes, podemos

preguntarnos la probabilidad de que el suceso A1 aparezca k1 veces, el
suceso A2, k2 veces y así sucesivamente:

Al modelo estadístico que nos da dicha probabilidad se le denomina Multinomial,

y su función de densidad viene dada por:

como se ve, el modelo Multinomial queda definido por los parámetros

(n, p1, p2, ..., pr). La fórmula anterior puede deducirse de forma análoga al caso
Binomial. En realidad, si tomamos r = 2 tenemos exactamente el modelo
Binomial.

FORMA DE ONDA

VALOR MEDIO VARIANZA DESVIACION ESTANDAR

La esperanza matemática del suceso i observado en n pruebas es:

La varianza es:

EJERCICIO

14
.

Supongamos que una ciudad hay 1000000 de habitantes de los cuales 450000
son varones y 550000 son mujeres . Si extraemos un individuo al azar la

probabilidad. de que sea mujer será.

Si repetimos esta prueba varias veces y no reponemos "en el saco" al sujeto
extraído la probabilidad de obtener una mujer en cada siguiente extracción
variará, al variar la composición por sexos de la población restante. Sin embargo,
al ser la población tan grande, la variación de esta probabilidad con cada
sucesiva prueba será prácticamente despreciable y podremos considerar, en la
práctica que las probabilidades son constantes: en efecto:

Si, en la primera prueba obtenemos una mujer y no la reintegramos a la

población la de probabilidad de obtener una mujer en la segunda prueba será:

FUNCION DE PROBABILIDAD RAYLEIGH

CONCEPTO
La distribución de Rayleigh de parámetro a > 0, es un caso particular de la de
Weibull, estando su uso muy extendido en el contexto del análisis de datos
censurados. La función de densidad es

f ( x )  2a 2 xe  a
2 2
x
x0
f ( x)  0 x0
F( X)  1  e a
2 2
x
x0
F( X)  0 x0

FORMA DE ONDA

VALOR MEDIO VARIANZA DESVIACION ESTANDAR

La media y la varianza de esta distribución son, respectivamente,
 π  1  π 
E( X)   
 y V( X)  b 2 1  
 2a   a  4 

15
.

EJERCICIO
La amplitud de una señal de radar retrofundida desde la superficie del mar
1
sigue la distribución 𝑅 = (𝜃 = ). Encontrar el valor de la amplitud mínima 𝑋0
√2
y que ocurre el 1% de las veces.

𝑃(𝑋 > 𝑥0) = 0.01

2)
𝑃(𝑋 < 𝑥0) = 0.99 = 𝑒 −(𝑥𝑜 donde x0=0.

FUNCION DE PROBABILIDAD BERNOULLY

CONCEPTO
En teoría de probabilidad y estadística, la distribución de Bernoulli (o distribución
dicotómica), nombrada así por el matemático y científico suizo Jakob Bernoulli, es
una distribución de probabilidad discreta, que toma valor 1 para la probabilidad de éxito ( )
y valor 0 para la probabilidad de fracaso ( ).
Si es una variable aleatoria que mide el "número de éxitos", y se realiza un único
experimento con dos posibles resultados (éxito o fracaso), se dice que la variable
aleatoria se distribuye como una Bernoulli de parámetro .

La fórmula será:

Su función de probabilidad viene definida por:

Un experimento al cual se aplica la distribución de Bernoulli se conoce como Ensayo de

Bernoulli o simplemente ensayo, y la serie de esos experimentos como ensayos repetidos.

FORMA DE ONDA

VALOR MEDIO VARIANZA DESVIACION ESTANDAR

Esperanza matemática:

16
.

Varianza:

Var(X) = np(1-p) = npq

EJERCICIO
Si tiramos una moneda 5 veces, calcular la probabilidad de obtener 3 caras.
Solución:
Sea X = nº de caras, entonces X  Bi(5, 0.5) , y tenemos que hallar P(X = 3)
P(X = 3) = (0.5)3 · (1 – 0.5)5-3 = 0.03125

En una población, el 35 % son demócratas. Elegimos 15 per-sonas. ¿Cuál es la

probabilidad de que entre ellas haya 10 demó-cratas? ¿Y de que el número de
demócratas sea menor que 6? ¿Y de que sean una cantidad menor o igual que
3?
Veámoslo:
Si X = nº de demócratas, entonces X  Bi(15, 0.35), y nos piden calcular
P(X = 10), P(X < 6) y P(X  6)

P(X = 10) = · (0.35)10 · (0.65)5

P(X < 6) =  · (0.35)k · (0.65)15-k

P(X  3) =  · (0.35)k · (0.65)15-k

FUNCION DE PROBABILIDAD CHI CUADRADO

CONCEPTO
Es otro caso particular de la distribución gamma para el caso β = 2 y α = n / 2,
siendo n un número natural.

Su función de densidad es:

FORMA DE ONDA

17
.

Chi-Square Distribution
0,25 Deg. of freedom
3
0,2 10
20

density
0,15 50

0,1

0,05

0
0 20 40 60 80 100
x

VALOR MEDIO VARIANZA DESVIACION ESTANDAR

El parámetro de la distribución c2 es n y su media y su varianza son,

respectivamente:

FUNCION ACUMULATIVA
Su función de distribución es

Donde es la función gamma incompleta.

El valor esperado y la varianza de una variable aleatoria X con distribución χ²
son, respectivamente, k y 2k.

GRAFICO DE LA FUNCION ACUMULATIVA

EJERCICIO
El espesor de un semiconductor se controla mediante la variación estándar no
mayor a =0.60 mm. Para mantener controlado el proceso se toman muestras
aleatoriamente de tamaño de 20 unidades, y se considera que el sistema está
fuera de control cuando la probabilidad de que =2 tome valor mayor o igual al

18
.

valor de la muestra observado es que es 0.01. Que se puede concluir si

s=0.84mm?

Solución. Existe fuera de control si (n  1)s 2 /  2 con n=20 y =0.60, excede

 02.01,19  36.191
(n  1)s 2 19 * 0.84 2
Entonces,   37.24
2 0.60 2

19