Universidad de las Fuerzas Armadas(ESPE). Rodriguez.

Funciones de Distribucin

FUNCIONES DISTRIBUCIN DE PROBABILIDAD EN

TIEMPO DISCRETO Y CONTINUO
Rodriguez Conde Jacson Javier
jackxbox90@hotmail.com
ESPE Extension Latacunga, Quijano y Ordez y Hermanas Pez

RESUMEN: En el presente texto se va a estudiar los

diferentes modelos matematicos para calcular la
probabilidad en variables aleatorias en discretas y
continuas. Con el concepto de variable aleatoria nos
permite pasar de resultados experimentales a la function
numerica de los resultados encontramos dos tipos de
variables discretas y continuas.
ABSTRACT:

This text is study the different mathematical models to

calculate the probability of random variables discrete
and continuous. With the concept of random variable
allows us to move from the experimental to the function
of the numerical results are two types of discrete and
continuous variables
PALABRAS CLAVE:
Valor medio
Poisson
Binomial
Distribucion normal estandar
1. INTRODUCCIN

En la teora de la probabilidad y en estadstica,

una funcin de distribucin acumulada describe
la probabilidad de
que
una variable
aleatoria real X sujeta a cierta ley de distribucin de
probabilidad se site en la zona de valores menores
o iguales a x.
2. DESARROLLO
2.1DEFINICIN

2.1.1 DISTRIBUCIN DE POISSON.

Es un modelo que puede usarse para calcular la
probabilidad correspondiente al nmero de xitos que

se obtendran en una regin o en intervalo de tiempo

especificado, si se conoce el nmero promedio de
xitos que ocurren.
Este modelo requiere que se cumpla las siguientes
suposiciones:
El nmero de xitos que ocurren en la regin o
intervalo es independiente de lo que ocurre en otra
regin o intervalo.
La probabilidad de que un resultado ocurra en una
regin o intervalo muy pequeo, es igual para
todos los intervalos o regiones de igual tamao y
es proporcional al tamao de la regin o intervalo.
La probabilidad de que ms de un resultado ocurra
en una regin o intervalo muy pequeo no es
significativa.
Sea
variable aleatoria discreta con distribucin de
Poisson.

: Cantidad promedio de xitos en la regin o

intervalo especificados.
Entonces la distribucin de probabilidad de es:

Valor medio:
Se obtiene la funcin generadora de momentos:

Universidad de las Fuerzas Armadas(ESPE). Rodriguez. Funciones de Distribucin

Funcin distribucin y fusin acumulativa de Poisson.

Desarrollo de la funcin exponencial como serie de

potencia:

Haciendo
Por definicin:

Varianza:

Ejemplo:
Suponga que la llegada de automviles a una gasolinera
sigue una distribucin de Poisson y se produce a una
velocidad promedio de 50/h. La gasolinera solo dispone
de un surtidor. Si suponemos que todos los coches
necesitan un minuto para servirse gasolina, cul es la
probabilidad de que haya que hacer cola en el surtidor?
Datos:

Habr que hacer cola si dos o ms coches llegan en un

intervalo de tiempo de un minuto.
La probabilidad de hacer cola:

Para la demostracin de la varianza se sigue un camino

similar al del valor medio
Desviacin estndar:

Por tanto, habr cola formada en

aproximadamente un 20,32% del tiempo.
2.1.2
Funcin de distribucin de probabilidad

Aproximacin de la distribucin Binomial con la

distribucin de Poisson.
En la distribucin Binomial cuando n es grande no es
practico el uso de la formula. Para este caso se puede
calcular aproximadamente la probabilidad con la
distribucin de Poisson.
Siendo:

surtidor

DISTRIBUCIN DE BERNOULLI.

Es un experimento en el que puede haber nicamente

dos resultados posibles. Es costumbre designarlos como
xito y fracaso.
Si la probabilidad de obtener xito en cada ensayo es
un valor que lo representa con
entonces, la
probabilidad de obtener fracaso ser el complemento

De tal manera que

La aproximacin es aceptable si:

el

Sea variable aleatoria cuyos valores pueden ser 1:

xito, 0: fracaso
: valor de probabilidad de que el resultado del
ensayo se xito.

Universidad de las Fuerzas Armadas(ESPE). Rodriguez. Funciones de Distribucin

Entonces la distribucin de probabilidad de

es:

El experimento puede repetirse y en cada ensayo el valor

de probabilidad p se mantiene constante.
Se supondr que los ensayos son independientes, es
decir el resultado de un ensayo no afecta a los resultados
de otros ensayos.
Valor medio:

2.2.2DISTRIBUCIN NORMAL O GAUSSIANA

Es la piedra angular de la teora estadstica moderna.
Conocida y estudiada desde hace mucho tiempo, es
utilizada para describir el comportamiento aleatorio de
muchos procesos que ocurren en la naturaleza y tambin
realizados por los humanos.
Se dice que una variable aleatoria X es gaussiana si su
funcin de densidad tiene la forma

Donde:

son constantes reales.

Su mximo valor se produce en

.Su amplitud

alrededor del punto

est relacionada con .
La funcin decrece a 0.607 veces, su mximo en
y

Varianza:

Desviacin estndar:

Funcin distribucin y fusin acumulativa de

Bernoulli.
Funcin densidad de probabilidad

Funcin de distribucin:
Ejemplo:
Suponer que la probabilidad de xito de un experimento
es 0.2 y se realiza cinco ensayos independientes. Calcule
la probabilidad que el primero y el ltimo ensayo sean
xitos, y los tres ensayos intermedios sean fracasos.
Solucin:

2.2.1DISTRIBUCIONES
CONTINUAS.

DE

PROBABILIDAD

Esta integral no tiene solucin cerrada conocida y debe

evaluarse por mtodos numricos o aproximaciones.

Universidad de las Fuerzas Armadas(ESPE). Rodriguez. Funciones de Distribucin

Funcin distribucion de probabilidad

Funcin distribucin Normal Estndar

Caso normalizado
Sea

variable con distribucin Normal Estndar con

La variable aleatoria

Para generalizar y facilitar el clculo de la probabilidad

con la distribucin Normal, es conveniente definir la
Distribucin Normal Estndar que se obtiene haciendo

Ejemplo:
Supongamos que una variable aleatoria gaussiana para la
que
y
; hallar la probabilidad del suceso
.

En la funcin densidad de la distribucin

normal.
Sea

variable

aleatoria

continua

con

Tiene distribucin Normal Estndar si su funcin

densidad es:

Para calcular probabilidad con la distribucin Normal

Estndar se puede usar la definicin de distribucin
acumulada o funcin de distribucin:

A partir de la tabla de distribucin normal estndar:

.
2.2.3 DISTRIBUCIN DE ERLANG.
Se utiliza la distribucin Erlang para describir el tiempo
de espera hasta el suceso nmero r en un proceso de
Poisson.
La variable aleatoria que es igual a la longitud del
intervalo hasta que suceden r ocurrencias en un proceso
de Poisson con media
tiene una distribucin
Erlang con parmetros

Funcin densidad de
probabilidad

Universidad de las Fuerzas Armadas(ESPE). Rodriguez. Funciones de Distribucin

La funcin densidad de probabilidad es:

lo general, las fallas no son causadas por desgaste sino

por otros factores.
Suponga que las unidades que fallan se reparan de
inmediato y que el nmero promedio de fallas por hora
es de 0.0001. Sea que X denote el tiempo hasta que
ocurran 4 fallas en un sistema. Determinar la
probabilidad de que X exceda 40000 horas:
Solucin:

Funcin acumulativa

2.2.4

DISTRIBUCIN REYLEIGH.

Las funciones de densidad y distribucin de Reyleigh

son:

Para las constantes reales

Valor medio:
Funcin de distribucin de probabilidad

Valor medio:
Sustituyendo
Varianza:

Desviacin estndar:
Ejemplo:
Las fallas de las unidades de procesamiento central
(CPU) de los sistemas de computadores grandes se
modelan con frecuencia con un proceso de Poisson. Por

Universidad de las Fuerzas Armadas(ESPE). Rodriguez. Funciones de Distribucin

Como

Siguiendo el proceso anterior:

Varianza:
2.2.5

DISTRIBUCIN DE CAUCHY.

Desviacin estndar:

Ejemplo:
Suponga que el tiempo de vida de un animal de
laboratorio est definido por una funcin de densidad de
Rayleigh con a=0 y b=30 semanas para las expresiones
densidad y distribucin. Si por algunas razones clnicas,
se sabe que el animal vivir como mximo 20 semanas,
Cul es la probabilidad de que viva 10 semanas o
menos?
Solucin:
Funcin densidad de probabilidad. La lnea verde es la
distribucin estndar de Cauchy

Universidad de las Fuerzas Armadas(ESPE). Rodriguez. Funciones de Distribucin

Se trata de un modelo continuo cuya funcin de

densidad es:

Varianza:

Cuya integral
distribucin:

Desviacin estndar:

nos

proporciona

la

funcin

de

2.2.7

Funcin distribucin de probabilidad.

DISTRIBUCIN DE RICE.

La distribucin de Nakagami-Rice se deduce tambin de

la distribucin gaussiana, y generaliza la distribucin de
Rayleigh.
Dada
una
distribucin
gaussiana
bidimensional con dos variables independientes x e y con
la misma desviacin tpica, la longitud de un vector que
une un punto de la distribucin con un punto fijo,
diferente del centro de la distribucin, tiene una
distribucin de Nakagami-Rice. Por consiguiente, esta
distribucin puede considerarse tambin como la
distribucin de la longitud de un vector que sera la suma
de un vector fijo y de un vector cuya longitud tiene una
distribucin de Rayleigh.

Se trata de un ejemplo de variable aleatoria que carece

de esperanza (y por tanto, tambin de varianza o
cualquier otro momento), ya que la integral impropia
correspondiente no es convergente.
Y nos queda una indeterminacin. Por tanto, la
esperanza de una distribucin de Cauchy no existe.
Cabe sealar que la funcin de densidad es simtrica
respecto al valor cero (que sera la mediana y la moda),
pero al no existir la integral anterior, la esperanza no
existe.
2.2.6

DISTRIBUCIN DE LAPLACE.

Se dice que una variable aleatoria X sigue una

distribucin de Laplace de parmetros
, si
su funcin de densidad es:

La funcin generatriz de momentos de esta distribucin

tiene la expresin.

Si se designa por a la longitud del vector fijo, y la

longitud ms probable del vector de Rayleigh, la
densidad de probabilidad vendr dada por

Donde es la funcin de Bessel modificada de primera

especie y de orden cero.
Esta distribucin depende de dos parmetros, pero para
las aplicaciones a los problemas de propagacin, se
deber elegir una relacin entre la amplitud a del vector
fijo y la amplitud cuadrtica media
aleatorio.

De donde se deduce que:

Valor medio:

del vector

Universidad de las Fuerzas Armadas(ESPE). Rodriguez. Funciones de Distribucin

Valor medio:
Varianza:

Desviacin estndar:

2.2.8

DISTRIBUCIN GAMA

Los tiempos que tardan en revisar un motor de un

automvil avin tienen una distribucin de
frecuencias sesgadas. Las poblaciones asociadas
a estas variables aleatorias frecuentemente tienen
distribuciones
que
se
pueden
modelar
adecuadamente por la funcin de densidad tipo
gamma.

Funcin de distribucin gamma

Ejercicio
En cierta ciudad el consumo diario de energa elctrica,
en millones de kilovatios por hora, puede considerarse
como una variable aleatoria con distribucin GAMMA
de parmetros = 3 y = 0.5.
La planta de energa de esta ciudad tiene una capacidad
diaria de 10 millones de KW/hora
Cul es la probabilidad de que este abastecimientos sea:
a. Insuficiente en un da cualquiera?
b. Se consuman entre 3 y 8 millones de K. W./Hora?
c. Encuentre E(x) y V(x).
Solucin:

Funcin de densidad de probabilidad para una

variable aleatoria tipo gamma:

2.2.9

DISTRIBUCION CHI-CUADRADO

Sean x1, x2, ..., xn variables independientes que siguen

una distribucin N(0,1).
Sea X una nueva variable definida segn:

En donde:
en este caso, se dice que X se distribuye como una
CHICUADRADO, con n grados de libertad, que
representamos
Desviacin Estndar

Universidad de las Fuerzas Armadas(ESPE). Rodriguez. Funciones de Distribucin

X z

1
2

,X z
1
n
n

Un valor k<1 indica que la tasa de fallos decrece

con el tiempo.

Cuando k=1, la tasa de fallos es constante en el

tiempo.

Varianza
Se puede demostrar fcilmente con el uso de la funcin
generatriz e momentos y de la relacin de la chicuadrado con la distribucin Gamma que la media de
una distribucin chi-cuadrado de n grados de libertad
vale n y su varianza 2n.
E ( X ) n ; Var ( X ) 2 n

EJEMPLO: La variable aleatoria U sigue

distribucin Chi-cuadrado. Calcular "a" tal que:
P(U>a)= 0,05

Un valor k>1 indica que la tasa de fallos crece

con el tiempo.

Valor Medio

Desviacin Estndar
una

Varianza

a) Para 18 grados de libertad.

b) Para 55 grados de libertad.
SOLUCION:
a) P(U>28,9) = 0,05
b) P(U>73,3) = 0,05
En este caso hemos interpolado entre 50 y 60 grados de
libertad.
2.2.10 DISTRIBUCIN WEIBULL
Recibe su nombre de Waloddi Weibull, que la describi
detalladamente

en 1951, aunque fue descubierta

inicialmente por Frchet (1927) y aplicada por primera

vez por Rosin y Rammler (1933) para describir la
distribucin de los tamaos de determinadas partculas.
Funcin de densidad de probabilidad

La funcin de densidad de una variable aleatoria con la

distribucin de Weibull x es:

donde

es el parmetro de forma y

es

el parmetro de escala de la distribucin.

La distribucin modela la distribucin de fallos (en
sistemas) cuando la tasa de fallos es proporcional a una
potencia del tiempo:

Universidad de las Fuerzas Armadas(ESPE). Rodriguez. Funciones de Distribucin

10

Entonces

CONCLUSIONES.

Funcin de distribucin de probabilidad

Ejercicio
Tenemos un conjunto de componentes que fallan en el
siguiente nmero de horas: 0.22;0.5; 0.88; 1; 1.32; 1.33;
1.54; 1.76; 2.5 y 3. A partir de estos valores, calcule la
probabilidad de que un componente de las mismas
caractersticas dure mas de 5 horas:
Para resolver este problema, se adjuntan los valores de
Ln(ti), ya que los necesitaremos para calcular los
parmetros con el mtodo analtico implcito.

Una distribucin de probabilidades para una variable

discreta es un listado mutuamente excluyente de
todos los resultados numricos posibles para esa
variable aleatoria El valor esperado de una variable
aleatoria discreta es un promedio ponderado de
todos los posibles resultados
La variable aleatoria X es una funcin que asocia un
nmero a cada espacio de la muestra que obtenemos.
En cualquier experimento aleatorio cuyos sucesos
posibles pueden identificarse fcilmente mediante un
nmero real irn ubicados en un variable.
Podemos definirla como variable estocstica ya que
toma diferentes valores.
En general, una variable aleatoria discreta X
representa los resultados de un espacio muestral. De
esta forma, al considerar los valores de una variable
aleatoria
es
posible
desarrollar
una
funcin matemtica .

BIBLIOGRAFIA

Si aplicamos las formulas del mtodo implcito para el

clculo de los parmetros, se obtiene:

Por lo que los parmetros sern:

J. L.Devore, Varialbes aleatorias Disccretas y

contunuas, de Probabilidad y estadstca para ingenieria
y ciencias., International Thomson Editores., 2005, pp. 97204.

M. Luis Rodrguez Ojeda, Variables aleatorias discretas y continuas.,

pp. 76-149.

METEO.FISICA.EDU, [En lnea]. Available:

http://meteo.fisica.edu.uy/Materias/Analisis_Estadistico_de_Datos_Clim
pdf. [ltimo acceso: 20 diciembre 2014].

UAM.ES, [En lnea]. Available: http://www.uam.es/personal_pdi/cienc

notables.pdf. [ltimo acceso: 20 diciembre 2014].

PEYTON Z. Peebles, La variable aleatoria., de

Principios de probabilidad, varoables aleatoriasy seales
aleatorias., Concepcion Fernndez Madrid., 2006, pp.
41-65.

Universidad de las Fuerzas Armadas(ESPE). Rodriguez. Funciones de Distribucin

UB.EDU,
[En
lnea].
Available:
http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/T
emas/Capitulo4/B0C4m1t8.htm. [ltimo acceso: 20
diciembre 2014].
WIKIPEDIA.ORG,
[En
lnea].
Available:
http://es.wikipedia.org/wiki/Distribuci
%C3%B3n_de_Erlang. [ltimo acceso: 20 diciembre
2014].

11