FUNCIONES DE PROBABILIDAD

EGAS Daniel
fdegas@espe.edu.ec

RESUMEN: En el presente documento se muestra los 10 tipos de Distribuciones y Densidades de
Probabilidad, que dependiendo del experimento probabilstico son de mucha ayuda y nos ayudan a entender
de forma clara como manejar la variable. Se ha recopilado informacin del internet para encontrar formulas y
teora de la manera ms sintetizada. Concluimos que la distribucin de probabilidad est completamente
especificada por la funcin de distribucin, cuyo valor en cada real x es la probabilidad de que la variable
aleatoria sea menor o igual que x. Adems que las distribuciones ms utilizadas y por tanto las ms aplicables
son la uniforme, binomial y la de Poisson.

PALABRAS CLAVE: Distribuciones de Probabilidad, Densidades de Probabilidad, Distribuciones
probabilsticas.

1. TEORIA

1.1 NORMAL

Una distribucin de probabilidad sigue una
distribucin normal de media y desviacin tpica
, y lo representaremos por N ( ;) cuando la
representacin grfica de su funcin de densidad
es una curva positiva continua, simtrica respecto
a la media, de mximo en la media, y que tiene 2
puntos de inflexin, situados a ambos lados de la
media ( y + respectivamente) y a
distancia de ella, es decir de la forma:










Su funcin de densidad ser:

()

Para un valor cualquiera k, definimos la
probabilidad de que la distribucin Z, N (0;1) , sea
menor o igual que k como: nmero de
trayectorias directas.

p (Z k)= rea encerrada bajo la curva normal
N(0,1) desde hasta k(parte sombreada)











Fig. 2. rea encerrada por la curva normal desde
hasta k
1.1.1 CLCULO DE PROBABILIDADES EN
NORMALES

N( ; )

Si no tenemos una distribucin N(0;1), sino una
N( ; ) cualquiera . Si no tenemos tabla salvo para
N (0;1). El siguiente resultado nos da la respuesta.

Propiedad:

Si X sigue una distribucin N(; ) , entonces la
variable

sigue una distribucin N(0,1).

El paso de la variable X N(; ) a la Z
N(0;1) se denomina tipificacin de la variable X.



(1)
Fig. 1. Distribucin normal N (0; 1).
1.2 ERLANG

Es una distribucin de probabilidad continua
con una amplia aplicabilidad
debido principalmente a su
relacin con la exponencial y la distribucin
gamma dada por la suma de un nmero de
variables aleatorias independientes que
poseen la misma distribucin
exponencial.

La distribucin Erlang se aplica en modelos de
sistemas de servicio masivo, por ejemplo: En
situaciones donde el servicio tiene que realizar
dos operaciones c/u con tiempo de servicio
exponencial.


1.2.1FUNCIN DE DENSIDAD DE
PROBABILIDAD.

La funcin densidad de probabilidad de la
distribucin Erlang es:

()

()

( )




El parmetro se llama parmetro de la forma y el
parmetro parmetro de tasa.
Una parametrizacin alternativa, pero equivalente,
utiliza el parmetro de escala que es el
recproco del parmetro de tasa (es decir,

):
()

( )





Fig. 3 Curvas Caractersticas.

1.3 BERNOULLI

Consiste en realizar un
experimento aleatorio una sola vez y observar si
cierto suceso ocurre o no, siendo p la probabilidad
de que esto sea as (xito) y q=1-p el que no lo
sea (fracaso). En realidad no se trata ms que de
una variable dicotmica, es decir que nicamente
puede tomar dos modalidades antes
mencionadas.

Si X es una variable aleatoria que mide
numero de xitos, y se realiza un nico
experimento con dos posibles resultados (xito
o fracaso), se dice que la variable X se distribuye
como una Bernoulli de parmetro p, siendo las
ecuaciones las siguientes.


Fig.4. Dispersin de Bernoulli

La formula ser:

()

( )

con x= {0,1}
Su funcin de probabilidad viene definida por:

( ) {





Un experimento al cual se aplica la distribucin de
Bernoulli se conoce como Ensayo de Bernoulli o
simplemente ensayo, y la serie de esos
experimentos como ensayos repetidos.
Propiedades caractersticas
Esperanza matemtica:
[]

Varianza:
()

=p (1-p)=pq

Desviacin estndar:
(2)
(3)
(4)
()

1.4 RAYLEIGH

Es una funcin de distribucin continua, suele
presentar cuando un vector bidimensional tiene
sus dos componentes, ortogonales,
independientes y siguen una distribucin normal.

Su valor absoluto seguir entonces una
distribucin de Rayleigh. Esta distribucin tambin
se puede presentar en el caso de nmeros
complejos con componentes real e imaginaria
independientes y siguiendo una distribucin
normal. Su valor absoluto sigue una distribucin
de Rayleigh.

( )
(

Su esperanza es:
[]

1.5 CAUCHY

La distribucin de Cauchy es un ejemplo de una
distribucin que no tiene valor
esperado, varianza o momentos definidos.

Su moda y su mediana estn bien definidas y son
ambas iguales a x0. La funcin de densidad de
probabilidad es :

(

[(

)
La distribucin de Cauchy es una funcin de
distribucin infinitamente divisible.
Es tambin una distribucin
estrictamente estable.


Fig. 6. Distribucin de Probabilidad Cauchy




(5)
Fig. 5. Distribucin de Probabilidad Rayleigh
(6)
1.6 RICE

Se aplica al modelo del desvanecimiento
rpido pero cuando hay una componente
intensa de seal (rayo directo) constante.

La distribucin rice usualmente esta
en parmetros de K, el cul define la tasa entre la
potencia de la seal determinstica y la varianza
del multi trayecto, esta relacin est dada por:

()

(
(

)


Fig. 7. Distribucin de Probabilidad Rice
La media, la varianza y la desviacin estndar
respectivamente de la variable aleatoria de rice
son:

)

1.7 POISSON

Es una distribucin de probabilidad discreta que
expresa, a partir de una frecuencia de ocurrencia
media, la probabilidad que ocurra un determinado
nmero de eventos durante cierto periodo de
tiempo.

Permite calcular la probabilidad de obtener un
nmero k de eventos en sucesos con pequea
probabilidad de ocurrencia. La variable X se
mueve desde 0 en adelante, con valores enteros.

( )

Donde:

k es el nmero de ocurrencias del evento o
fenmeno.

es un parmetro positivo que representa el
nmero de veces que se espera que ocurra el
fenmeno durante un intervalo dado.





















1.8 LAPLACE

La distribucin de Laplace es una densidad de
probabilidad continua, llamada as en honor a
Pierre-Simn Laplace.

Es tambin conocida como distribucin doble
exponencial puesto que puede ser considerada
como la relacin las densidades de dos
distribuciones exponenciales adyacentes.

La distribucin de Laplace resulta de la diferencia
de dos variables exponenciales aleatorias,
independientes e idnticamente distribuidas.

Una variable aleatoria posee una distribucin de
Laplace (, b) si su densidad de probabilidad es:

(

(
||

(
| |

)
(
| |

)
}

(7)
(8)
Fig. 8. Distribucin de Probabilidad de Poisson
(9)

Fig. 9. Densidad de Probabilidad de Laplace



Fig. 10. Distribucin de Probabilidad de Laplace

1.9 BINOMIAL

La distribucin binomial aparece de forma natural
al realizar n repeticiones independientes de cierto
experimento cuyo resultado consiste en la
presencia, con probabilidad p, de cierto atributo A.

La probabilidad p permanece constante durante
todo el proceso muestral. Si Xi es la variable
asociada a la i-sima rplica, que tomar el valor 1
si se verifica A, y 0 en caso contrario, la variable




Tiene una distribucin binomial de parmetros n y
p, lo que se suele indicar como B(n, p), de forma
que


Siendo su funcin de probabilidad acumulada





La media y la varianza de S son

E[S] = n*p

V[S] = n*p*(1-p)


Fig.11 Distribucin de Probabilidad Binomial

1.10 UNIFORME

En teora de probabilidad y estadstica, la
distribucin uniforme continua es una familia de
distribuciones de probabilidad para variables
aleatorias continuas, tales que cada miembro de la
familia, todos los intervalos de igual longitud en la
distribucin en su rango son igualmente
probables.

El dominio est definido por dos parmetros, a y b,
que son sus valores mnimo y mximo. La
distribucin es a menudo escrita en forma
abreviada como U(a,b).


Fig.12 Distribucin de Probabilidad Uniforme

Funcin de densidad de probabilidad

=
=
n
1 i
i
X S
r n r
) P 1 ( P
r
n
) r S ( P ) r ( f

|
|
.
|

\
|
= = =
(10)
k n k
n
0 k
) P 1 ( P
r
n
) r S ( P ) r ( F

=

|
|
.
|

\
|
= s =




Funcin Distribucin de probabilidad



2. CONCLUSIONES

- Cada Distribucin es aplicable
dependiendo del experimento a
realizarse.

- Hay que saber identificar de que
distribucin se trata al momento de
resolver los ejercicios.

- Las Distribuciones ms utilizadas son la
Uniforme, Poisson y Binomial.

- Para entender de mejor manera todas
estas distribuciones y densidades de
Probabilidad las grficas de curvas son
de bastante ayuda.


3. REFERENCIAS

[1]http://ingviviang.blogspot.com/2008/10/distribuci
n-erlang.html

[2]http://catarina.udlap.mx/u_dl_a/tales/documento
s/lem/trevino_c_jt/capitulo5.pdf

[3]http://exa.unne.edu.ar/informatica/evalua/Sitio%
20Oficial%20ESPD-
Temas%20Adicionales/distribuciones_estadisticas
.PDF

[3]http://commons.wikimedia.org/wiki/File:Uniform
_distribution_CDF.html


(11)
4. ANEXO

Ejercicios:

1) NORMAL

Las estaturas de 600 soldados se distribuyen de acuerdo a una distribucin normal
de media 168 y desviacin tpica 8 cm .Cuntos soldados miden entre 166 y 170
cm?

Sea X la distribucin de los soldados, X es una N(168,8). Nos piden p(166 X 170).

Utilizando el resultado anterior, primero restamos x=168 en la desigualdad:

p(166 X 170) = p(166 168 X 168 170 168) = p(2 X 168 2)

Y ahora dividimos entre = 8, con lo que acabamos de tipificar:

p(166 X 170) = p(2 X 168 2) = (

)

Llamando a

= Z

esta ya es normal N(0,1) y se encuentra en las tablas:

p(166 X 170) = p(0,25 Z 0,25) = p(Z 0,25) p(Z 0,25) =
= (tablas) =0, 5987 0,4013 = 0,1974.

2) ERLANG

Suponga que cierta pieza metlica se romper despus de sufrir dos ciclos
de esfuerzo. Si estos ciclos ocurren de manera independiente a una
frecuencia promedio de dos por cada 100 horas. Obtener la probabilidad de
que el intervalo de tiempo se encuentre hasta que ocurre el segundo ciclo.

a) Dentro de una desviacin con respecto del tiempo promedio.
b) A ms de dos desviaciones por encima de la media.
: Lapso que ocurre hasta que la pieza sufre el segundo ciclo de esfuerzo, en
horas.

a)

( ) ( )

( )

( )

b)

( ) ( ) ( )

( )

( )

3) BERNOULLY

Lanzar una moneda, probabilidad de conseguir que salga cruz.

Se trata de un solo experimento, con dos resultados posibles: el xito (p) se
considerar sacar cruz. Valdr 0,5. El fracaso (q) que saliera cara, que vale (1 - p)
= 1 - 0,5 = 0,5.
La variable aleatoria X medir "nmero de cruces que salen en un lanzamiento", y
slo existirn dos resultados posibles: 0 (ninguna cruz, es decir, salir cara) y 1
(una cruz).

Por tanto, la v.a. X se distribuir como una Bernoulli, ya que cumple todos los
requisitos.

XBe(0,5)
P(X = 0) = f(0) = 0,5
0
0,5
1
= 0,5
P(X = 1) = f(1) = 0,5
1
0,5
0
= 0,5


5) CAUCHY
Suponga que X tiene una distribucin de Cauchy de acuerdo con la
expresin densidad de probabilidad dada, ( )

)
con .
Hallar:
a) ( )
b) ( )
a)
P(X<2)=

(

P(X<2)=

P(X<2)=

( )
( )

b)
P(X12)=

(

P(X2)=

P(X2)=

( )
( )


7) POISSON

La probabilidad de tener un accidente de trfico es de 0,02 cada vez que se
viaja, si se realizan 300 viajes, Cul es la probabilidad de tener 3
accidentes?

Como la probabilidad P es menor que 0,1, y el producto n*P es menor que 10,
entonces aplicamos el modelo de distribucin de Poisson,


= 0.0892

Por tanto, la probabilidad de tener 3 accidentes de trfico en 300 viajes es del
8,9%.



0892 . 0
! 3
6
e ) 3 X ( P
3
6
= = =