1 Variables Aleatorias y Distribuciones de Probabilidad Pedro Francisco Rodas Rivera, Autor

Ingeniera Elctrica, Universidad Politcnica Salesiana Cuenca, Ecuador prodas@est.ups.edu.ec

AbstractEn este paper empezamos profundizando la impor-
II. M ARCO TERICOtancia que tiene la probabilidad en el campo de la ingeniera,ya que la
probabilidad nos ayuda a modelar experimentos que A. Probabilidadmuchas veces dependen
de una aleatoriedad, como parte terica La forma ms sencilla de describir a la probabilidad
seraprofundizamos en las formulas bsicas de las leyes de la proba- decir que es la posibilidad
(dada en forma numrica) de quebilidad que nos harn falta para el desarrollo del problema
queser posteriormente descrito, despus no enfocamos en encontrar ocurra un evento, a la
vez que sabemos que esta posibilidaduna aplicacin prctica del tema las variables aleatorias
y est comprendida entre 0 y 1, es decir que mientras menor seadistribuciones de
probabilidad, pero esta aplicacin guiada no la probabilidad de que un evento ocurra esta se
aproximarsolo a la teora de la probabilidad, si no ms bien enfocada a a 0 y podemos darle el
nombre de probabilidad de unalo que es la ingeniera elctrica, para ello entramos un poco
imposibilidad cuando este valor sea 0; por otro lado mientrasen lo que es una lnea de
transmisin para en nuestro casoenviar una seal, que al sumarle una seal de ruido nos dar
la mayor sea la probabilidad de que un evento ocurra esta serseal de salida resultante;
veremos lo til que son las funciones ms cercana a 1 y podemos darle el nombre de
probabilidadde densidad de probabilidad que nos ayudarn a modelar una de certeza cuando
el valor de la probabilidad sea 1.seal de ruido ya que en la vida real una seal puede
estardescrita matemticamente por una funcin peridica que nos P (evento cierto) = 1dar
una aproximacin muy grande a lo que se pude encontrarn la realidad, habiendo visto esto se
proceder a plantear unproblema practico y luego a su desarrollo detallado. P (evento
imposible) = 0 Index Termsprobabilidad, eventos, experimento, espaciomuestral,
posibilidades, variables aleatorias, discreta, continua, 0 P (Ei ) 1 (1)distribuciones de
probabilidad, funcin de distribucin acumu-lada, funcin de masa de probabilidad, funcin de
densidad de donde Ei es algn evento cualquiera, ver [1].probabilidad, mltiples variables
aleatorias, funcin de transfer-encia, seales, ruido B. Experimento Viene del proceso que
produce un evento, y se lo denomina I. I NTRODUCCIN como toda accin bien denida que
nos da un resultado nico Sin tener en cuenta la profesin que se haya elegido, bien denido,
ver [1].una cosa siempre ser segura: en nuestra vida profesionalestaremos expuestos a la
toma de decisiones, las cuales C. Espacio muestralmuchas veces tendremos que hacer sin
saber con exactitud Se lo puede denir como el conjunto de todas las posibleslas
consecuencias de dichas decisiones, al utilizar la probabil- medidas o resultados de un
experimento y lo denotamos conidad, la estadstica y sus diferentes modelos podemos reducir
la letra S, ver [1].enormemente la incertidumbre para dicha toma de decisiones. Enfocndonos
ms en el rea de la ingeniera, nos hacemos Ejemplo 1. Variabilidad de los elementos
electrnicosla pregunta por qu el ingeniero necesita estudiar las leyesde la probabilidad y la
estadstica?, esto sin duda es por Considerando la variabilidad en los valores de los
elementosque la teora de la probabilidad que antiguamente se utilizaba electrnicos de un
circuito RC (ltro pasa bajos), comosolamente para encontrar las probabilidades en los juegos
de se representa en la Figura 1. Suponiendo que los valoresazar, hoy en da a tenido un
desarrollo mucho ms extenso exactos de R y C no son perfectamente controlados por elen el
rea matemtica, de modelado y de anlisis; por lo que fabricante, pero sabiendo que
satisfacen *95 R 105+ ypodemos estar seguros de que ayudarnos en la teora de la *300
C 340+ F .probabilidad nos proporcionar una poderosa herramienta para Esto por lo tanto
nos indica que el espacio muestral estel rato de explicar, modelar, analizar y disear los
diferentes comprendido entre los pares ordenados de los nmeros realessistemas
tecnolgicos desarrollados por los ingenieros elctri- (r, c) donde 95 r 105 y 300 c 340.
Ycos, electrnicos y de sistemas. simblicamente escribimos al espacio muestral como:
2 S = ,95 r 105 y 300 c 340- 2) Variable aleatoria continua: Una variable aleatoria con-
tinua se encuentra comprendida en un rango de valores cua-el cual est representado en la
regin rectangular, como se lesquiera, pero estos pueden asumir un nmero innito
derepresenta en la Figura 2. valores que se pueden medir, ver *7+. Ejemplos: El peso en
gramos de una moneda. Las dimensiones de un vehculo.Figura 1. Filtro RC pasa bajos E.
Distribuciones de probabilidad La distribucin de probabilidad nos muestra todos los val- ores
obtenidos como resultado del experimento y asigna un valor de probabilidad a cada uno de los
resultados, ver [2], [8]. Ejemplo 3. Lanzamiento de una monedaFigura 2. Espacio muestral para
los posibles valores de R y C Supongamos que lanzamos una moneda no alterada al aire dos
veces, y estamos interesados en formular el nmero de sellos que podramos obtener del
experimento de lanzar laD. Variable aleatoria moneda dos veces. Como sabemos que son solo
dos lanzamientos los nicos Es una variable cuyo valor es el resultado de un evento posibles
resultados seran SS, SC, CC y CS; como sabemosaleatorio, para la mayora de aplicaciones
tecnolgicas, la que en cada lanzamiento hay un 50% de probabilidad de quemedicin y
observacin de datos es expresada de forma salga cara y 50% de que salga sello entonces la
probabilidadnumrica, a estas mediciones que tiene una variabilidad in- de cada una es 0.5, la
tabla 2 ilustra los resultados y nosdenida cada vez que se repiten se las conoce como variable
muestra la probabilidad obtenida para cada caso.aleatoria; una variable aleatoria X es una
funcin que asigna Ahora podemos empezar por anotar los resultados que noun nmero real x
a cada uno de sus valores en el espacio tengan ningn sello (el tercero), luego los resultados
quemuestral de un experimento aleatorio, ver [2], [3], [4], [5], contengan solo un sello
(segundo y cuarto), y por ltimo el[6]. resultado que obtuvo dos sellos (el primero), la tabla 3
nos muestra estos valores y su respectiva probabilidad. SabiendoEjemplo 2. Un juego de
apuestas que la tabla 3 no muestra el resultado real del experimento, si Un jugador paga $1.50
para jugar el siguiente juego: Una no el resultado terico del mismo.moneda es lanzada hacia
el aire tres veces y se cuenta el Tabla 2. Posibles resultados de lanzar una moneda dos
vecesnmero de caras X. El jugador recibe $1 si X = 2 y $8si X = 3, pero no recibe nada si sale
cualquier otro caso. 1er lanz. 2do lanz. # de sellos en 2 lanz. ProbabilidadAhora hagamos que Y
sea el premio que el jugador recibe, si S S 2 0.5 0.5 = 0.25Y es una funcin de la variable
aleatoria X y sus resultados S C 1 0.5 0.5 = 0.25pueden estar dados por el proceso de
experimentos aleatorios C C 0 0.5 0.5 = 0.25dados por el espacio muestral siguiente: C S 1 0.5
0.5 = 0.25 1.00 Tabla 1. Espacio muestral del ejemplo 2 Tabla 3. Distribucin de probabilidad
del nmero posible de sellos : CCC CCS CSC SCC CSS SCS SSC SSS X () : 3 2 2 2 1 1 1 0 # de
sellos lanzamientos P(S) Y () : 8 1 1 1 0 0 0 0 0 (C, C) 0.25de este experimento aleatorio
podemos observar que Y es la 1 (S, C) + (C, S) 0.50variable aleatoria y que esta toma los valores
en el espacio 2 (S, S) 0.25muestral de SY = {0, 1, 8}. 1) Variable aleatoria discreta: Una variable
discreta pro-porciona datos cuantitativos discretos (respuestas numricas)que resultan del
proceso de conteo, ver *7+. Ejemplos: El nmero de caras en cinco lanzamientos de una mon-
eda. Figura 3. Distribucin de probabilidad del nmero de sellos obtenidos en dos El nmero
de circuitos en una computadora. lanzamientos de una moneda no alterada
3 1) Funcin de distribucin acumulada (fda): La (fda) se G. Distribuciones de probabilidad para
la variable aleatoriadiferencia de la (fmp) y de la (fdp) por que no est restringida continuaa
variable aleatorias discretas o continuas sirve para todas las La distribucin de probabilidad
continua es aquella dondevariables aleatorias, esta est dada en trminos del evento las
variables pueden tomar valores continuos, es decir que,X x-, si una F (x) cumple con la
siguiente formula estn determinados en un rango dado, como podemos observarpodemos
decir que es una (fda), ver *9+: en la gura 5 que estamos tomando solo un segmento del rea
bajo la curva desde un X1 hasta un Xn ya que esta puede ser F (x) = P *X x+ , para - < x <
(2) innita, se las conoce ms como funciones de densidad, ver *10+, *14+. Ms adelante
detallaremos la (fda) para cada una de lasvariables aleatorias.F. Distribuciones de probabilidad
para la variable aleatoriadiscreta Figura 5. Representacin grca de una funcin de
distribucin de probabil- La distribucin de probabilidad discreta es la que puede idad
continuatomar valores solo valores discretos, es decir un nmero A diferencia de las variables
aleatorias discretas que selimitado de valores, como se ve en la gura 4 la funcin toma
representan de forma tabular, para las variables aleatoriasdiferentes valores X1 X2 hasta Xn
pero cada uno est dado continuas necesitamos representar a la probabilidad como elpor un
nmero real, ver [10], [11]. rea bajo la curva que est comprendida entre un intervalo, como
se observa en la gura 5, ya que para la mayora de los casos la funcin de densidad toman
forma de curvas que pueden ser comprendidas en un rango delimitado por un valor de las
ordenadas x = a y x = b. 1) Funcin de densidad de probabilidad (fdp): La funcin de densidad
de probabilidad de X, si existe est denida como la derivada de la funcin FX (x), ver
*15+:Figura 4. Representacin grca de una funcin de distribucin de probabil- dFX (x)idad
discreta fX (x) = (7) dx 1) Funcin de masa de probabilidad (fmp): Tambin cono- La (fdp) es
una forma alternativa mucho ms eciente ycida como funcin de probabilidades o
distribucin de proba- til de especicar la informacin contenida en una (fda), labilidad del
conjunto de pares ordenados [x, f (x)], es cuando (fdp) representa la densidad de probabilidad
en un punto xuna variable aleatoria discreta X toma varios valores x, est de manera que la
probabilidad que tiene X en pequeosdenida en terminos del evento ,X = x-, y si una funcin
intervalos en las proximidades de x est en terminos del eventof (x) cumple con las siguientes
tres propiedades, que adems ,x < X x + h- y nos da como resultado:nos sirven para el clculo
de la probabilidad podemos decirque es una (fmp), ver *11+, *12+, *13+: P *x < X x + h++ = FX (x
+ h) FX (x) f (x) 0 (3) FX (x + h) FX (x) P *x < X x + h++ = h (8) h Si la (fda) tiene una derivada
en x, entonces segn h decrese, tenemos, como se ve en la gura 6: f (x) = 1 (4) x P *x < X x +
h+ fX (x) h (9) Por lo tanto si fX (x) representa la densidad de proba- P (X = x) = f (x) (5) bilidad
en el punto x en el sentido en que X en pequeos intervalos tiende a las proximidades de fX (x)
h, la derivada 2) Funcin de distribucin acumulada (fda): Partiendo de de una (fda) existir
cuando la parte positiva de la (fda) seala ecuacin (2) vista anteriormente podemos ahora
describir una funcin no decresiente de x, por lo tanto debe cumpliruna relacin que est
ligada solo a las variables aleatorias con los siguiente:discretas, ver *11+: fX (x) 0, para todo
xR (10) F (x) = P (X x) = f (t) , para - < x < (6) tx fX (t) dt = 1 (11)
4 La probabilidad comprendida en un intervalo denido estdada por, como se muestra en la
gura 7: b P (a X b) = fX (x) dx (12) a Figura 8. Probabilidad comprendida en el rea bajo la
curva 2) Funcin de distribucin acumulada (fda): De igual forma que para las variables
aleatorias discretas si partimos de la ecuacin (2) vista anteriormente podemos ahora describir
una relacin que est ligada solo a las variables aleatorias continas, ver *14+: x F (x) = P (X x) =
f (t) dt, para - < x < (13) Ahora si deseamos encontrar la probabilidad en un intervalo
comprendido de la FX (x) con una x = a y una x = b,Figura 6. La (fdp) especica la probabilidad
en un ancho de intervaloinnitesimal tenemos: P (a < X < b) = FX (b) FX (a) (14) H. Mltiples
variables aleatorias Para el caso de mltiples variables aleatorias tomaremos en cuenta que
habrn casos en los necesitemos tomar los datos de dos o ms variables aleatorias al mismo
tiempo, tendremos f (x, y) que tomar cualesquiera valor (x, y) en el rango de la variable
aleatoria X y Y . A esta funcin la podemos denominar distribucin de probabilidad conjunta
(dpc) de X y Y.Figura 7. La probabilidad de un intervalo [a, b] es el rea bajo la curva del De
aqu, para el caso discreto tenemos:intervalo de la (fdp) f (x, y) = P (X = x, Y = x) (15)Ejemplo 4.
Ruteador de internet Para mayor detalle de casos probabilsticos de mltiples Un router de
internet puede enviar paquetes de datos va la variables ver Apndice y revisar [16], [17],
[18].ruta 1 o la ruta 2. Los paquetes que se retrasan en cada ruta sonvariables aleatorias
independientes, por lo que la diferencia de III. F ORMULACIN DEL PROBLEMAretraso entre la
ruta 1 y la ruta 2, se la denota con X, la (fdp) En esta seccin nos enfocamos en presentar un
problemade la variable aleatoria es f (x) = e|x| 2 con bases en la ingeniera elctrica, para
de esta forma de- Encontrar P (3 X 2 o 0 X 3) mostrar la importancia de la
probabilidad y la estadstica en la La probabilidad deseada puede ser escrita como: ingeniera.
Para un correcto desarrollo de la problemtica y una buena resolucin del mismo me he
guiado en los modelados P (,3 X 2- {0 X 3}), como se observa en matemticos y
probabilsticos, como se ve en [19].la gura 8. Como estos son eventos independientes, la
probabilidad de A. Formulacin de la hiptesisla unin es la suma de sus probabilidades
individuales, por lo Idealmente los sistemas de transmisin tienen una funcinque
necesitamos calcular: Y (s) de transferencia H (s) = X(s) = 1, donde X (s) = vin P (3 X 2) y P
(0 X 3) y Y (s) = vout , es decir que vin = vout otra vez esto es Con lo que ahora procedemos
a usar la ecuacin (12) para idealmente, pero sabemos que en el mundo real esto no
ocurre,encontrar la probabilidad de las diferentes regiones: mayoritariamente por el ingreso
de ruido no deseado a la lnea 2 2 P (3 X 2) = 3 e|x| dx = 3 ex dx = 2 2 de
transmisin, por lo que ahora tendramos la adicin de unae2 e3 seal de ruido vnoise a
la seal resultante en la salida, con lo 2 y que la nueva relacin sera vin + vnoise = vout . 3 3 P
(0 X 3) = 0 e|x| dx = 0 ex dx = 1e 3 Entonces con el siguiente experimento lo que
queremos es 2 2 2 observar la respuesta en la salida dependiendo de una variable Y para la
probabilidad requerida sumamos ambos resulta- aleatoria en el ingreso al sumarle una seal
de ruido, quedos: 2 2e3 para nuestro caso ser una funcin dependiente de la seal P
(,3 X 2- {0 X 3}) = 1+e 2 de ingreso, es decir con (fdp) conocida.
5B. Planteamiento del experimento P [B1 ] = p El experimento consiste en un sistema de
transmisin bi- ynaria es decir que tiene dos estados uno para el 0 y otro P *B0 + = 1 ppara
el 1 si sabemos que la seal de ingreso es una variable B. Resolucinaleatoria X y la seal de
ruido es una funcin dependientede esta variable X, es decir la seal de ruido es f (X), como
Haciendo uso de la ecuacin (17) podemos simplicar ypara nuestro caso necesitamos una
variable aleatoria continua encontrar que:nos referimos a la tabla en [20]. Para escoger una
variable FY = FY (x | B0 ) [B0 ] + FY (x | B1 ) [B1 ]aleatoria continua adecuada para nuestra seal
de ruido. donde FY (x | B0 ) es el evento comprendido por ,Y x | X = v- por lo que la
probabilidad es:C. Modelado P *FY (x | B0 )+ = P *Y x | X = v+- Despus de revisar la tabla en
*20+. Escogemos la variable yaleatoria Gaussiana cuya (fdp) es: P *B0 + = 1 p e (xm)2/2 2
de igual forma tenemos que (x | B1 ) es elvento comprendido fN (x) = 2 2 por ,Y x | X =
v- ya que su espacio muestral SX (, ) y donde > 0 por lo que la probabilidad es:y m son
constantes, imponiendonos el valor de su espectativa P *FY (x | B1 )+ = P *Y x | X = +v+E (X) =
m = 0. y Resultandos en la (fdp) siguiente: P [B1 ] = p haciendo uso de los resultados
remplazamos en la original para x2/2 2 e tener: fN (x) = 2 2 <x< FY (x) = P *Y x | X
= v+ (1 p) + Podemos ahora plantearnos el sigueinte problema: P *Y x | X = +v+ p Ahora
sabiendo que Y = X + N , tenemos:Problema. Hagamos que un sistema de transmisin binaria
que el evento ,Y < x | X = +v- es equivalente aenve un bit 0 al transmitir una seal de voltaje
v, y enve ,v + N < x- que es igual a ,N < x v-,un bit 1 al transmitir una seal de voltaje +v.
Durante el yenvi, la seal es corrompida con ruido proveniente de una que el evento {Y < x |
X = v- es equivalente aseal conocida descrita por una funcin Gaussiana, la seal {N < x +
v}.recibida esta dada por la funcin: Por lo tanto haciendo uso de de la ecuacin (19) tenemos
Y =X +N que las (fda) condicionales son: FY (x | B0 ) = P *N x + v+ = FN (x + v) Que visualmente
est representada en la gura 9, para su ymayor entendimeinto del comportamiento de la
salida. FY (x | B1 ) = P *N x v+ = FN (x v). Donde Y = vout , X = vin y N es el ruido generado
por Remplazando las anteriores en la principal tenemos que lala funcin Gaussiana, N tiene
una (fdp) fN (x). Si asumimos (fda) es:que la probabilidad de P *1+ = p = 1 P *0+. A manera
FY (x) = FN (x + v) (1 p) + FN (x v) p.de saber como se desfasar la seal de salida
dependiendo de Ahora aplicando la ecuacin (7) a la (fda) podemos encon-si la entrada fue un
0 o un 1, necesitamos encontrar la trar la (fdp) de N :(fdp) de la entrada Y . d fy (x) = dx FY
(x) d d = dx FN (x + v) (1 p) + dx FN (x v) p = fN (x + v) (1 p) + fN (x v) p La (fdp) de la
variable aleatoria Gaussiana es: x2/2 2 fN (x) = e22Figura 9. Diagrama de bloque de la
seal recibida Las (fdp) condicionales son: FY (x | B0 ) = fN (x + v) IV. R ESOLUCIN DEL
PROBLEMA y sustituyendo el valor de x (x + v) en la (fdp)A. Denicin de eventos tenemos:
(x+v)2/2 2 fN (x + v) = e 22 Dados: yB0 =que es el evento de que el sistema binario
transmita FY (x | B1 ) = fN (x v)un 0 y ahora sustituyendo el valor de x (x v) en la (fdp)
y tenemos:B1 =que es el evento de que el sistema binario transmita (xv)2/2 2un 1. fN
(x v) = e 22 .Podemos despejar la probabilidad para cada evento guiandonos Con lo que
nos queda solo sustituir los valores resultantesen las condiciones del problema de que P *1+
= p = 1 para obtener la seal recibida Y , que es: (x+v)2/2 2 (xv)2/2 2 e e P *0+: fY
(x) = 2 2 (1 p) + 2 2 p
6 V. R ESULTADOS Funcin de densidad de probabilidad condicional En esta seccin nos
dedicamos al a explicar el uso y losresultados de la funcin de densidad obtenida
anteriormente d fX (x | C) = FX (x | C) (18)para as llegar despus a las conclusiones. dx La
funcin de densidad de la seal de ruido fN (x) puede Funcin de distribucin acumulativa
condicionalser gracada a n de entender su comportamiento para elloutilizamos el software
matemtico Derive 6, como se ve enla gura 10, a partir de esto para entender lo que el
problema P *,X x- C+ FX (x | C) = , si P *C+ > 0 (19)realizaba cuando se enviaba un +v o un v
gracamos las P *C+funciones de densidad encontradas fN (x + v) y fN (x v),y podemos
observar como se ve en la gura 11 que la seal Funcin de masa de probabilidad
condicionaltransmitida X desplaza el centro de masa de la funcin dedensidad de la seal de
ruido. P *,X = x- C+ pX (x | X) = , si P *C+ > 0 (20) P *C+ (fmp) conjunta entre dos variables
aleatorias discretas f (x, y) 0 para toda (x, y) (21) f (x, y) = 1 (22) x yFigura 10. Graca de la
(fdp) de fN (x) P (X = x, Y = y) = f (x, y) (23) (fdp) conjunta entre dos variables aleatorias
continuas f (x, y) 0 para toda (x, y) (24) f (x, y) dx dy = 1 (25)Figura 11. Graca de las
(fdp) de fN (x + v) y fN (x v) VI. C ONCLUSIONES P *(X, Y ) A] = f (x, y) dx dy (26)
Despus de realizar el paper se puede concluir que la Ainvestigacin dio lugar a un sinfn de
aplicaciones de lo quees la probabilidad y la estadstica aplicadas explcitamente a la
Distribucin marginal de las variables discretasingeniera elctrica en cuanto a que el tema
tratado introducelas variables aleatorias que son una herramienta esencial para g (x) = f (x, y) y
h (y) = f (x, y) (27)el modelado matemtico, no solo en la ingeniera elctrica, y xsi no guiada a
cualquier carrera, adems el problema nosayud a entender lo til de las densidades de
probabilidad Distribucin marginal de las variables continuasy las distribuciones de
probabilidad en general, a lo largo deldesarrollo del paper se trataron adems algunos
ejemplos muy tiles para entender los diferentes modelos probabilsticos, g (x) = f (x, y) dy
y h (y) = f (x, y) dx (28) con lo que personalmente el paper aporto mucha
informacinindispensable para entender un poco ms este amplio tema. Distribucin
condicional entre dos variables aleatorias A PNDICEProbabilidad de dos eventos
complementarios f (x, y) f (y | x) = , g (x) > 0 (29) g (x) P (A) + P (B) = 1 (16) f (x, y) f (x | y) = , h
(y) > 0 (30) h (y)Teorema de la probabilidad total P [A] = P [A | B1 ] P [B1 ] + P [A | B2 ] P [B2 ]
Independencia entre dos variables aleatorias si y solo si f (x, y) = g (x) h (y) (31) + . . . + P [A | Bn
] P [Bn ] (17)
7 R EFERENCES *1+ A. L. Webster, Experimentos, resultaodos, y conjuntos, in Estadstica
aplicada a los negocios y a la economa, tercera ed. Colombia: McGraw-Hill, 2000, ch. 4, pp.
7677. [2] , Introduccin, in Estadstica aplicada a los negocios y a la economa, tercera
ed. Colombia: McGraw-Hill, 2000, ch. 5, pp. 104 106. *3+ R. I. Levin and D. S. Rubin, Variables
aleatorias, in Estadstica para administradores, sexta ed. Mxico: Prentice Hall, 1996, ch. 5,
pp. 236242. *4+ R. E. Walpole, R. H. Myers, S. L. Myers, and K. Ye, Concepto de variable
aleatoria, in Probabilidad y estadstica para ingeniera y ciencias, octava ed. Mxico: Pearson
Educacin, 2007, ch. 3, pp. 77 80. *5+ J. A. Gubner, Introduction to discrete random
variables, in Probability and Random Processes for Electrical and Computer Engineers, 1st ed.
Cambridge University Press, 2006, ch. 2, p. 63. [6] A. Leon-Garcia, The notion of a random
variable, in Probability, Statistics, and Random Processes for Electrical Engineering, 3rd ed.
Prentice Hall, 2008, ch. 3, pp. 9697. *7+ J. L. Hernndez Gonzlez, Distribucin de
probabilidad de variables aleatorias discretas, Tlaxcala, Mexico, p. 1. *Online+. Available:
http://www.itapizaco.edu.mx/~joseluis/apuntes/ estadistica/distribucionesdiscretas.pdf [8] R.
I. Levin and D. S. Rubin, Introduccin a las distribuciones de probabilidad, in Estadstica para
administradores, sexta ed. Mxico: Prentice Hall, 1996, ch. 5, pp. 232236. [9] A. Leon-Garcia,
The cumulative distribution function, in Probability, Statistics, and Random Processes for
Electrical Engineering, 3rd ed. Prentice Hall, 2008, ch. 4, pp. 141147.[10] J. L. Hernndez
Gonzlez, Distribucin de probabilidad de variables aleatorias discretas, Tlaxcala, Mexico, p.
2. [Online]. Available: http://www.itapizaco.edu.mx/~joseluis/apuntes/
estadistica/distribucionesdiscretas.pdf[11] R. E. Walpole, R. H. Myers, S. L. Myers, and K. Ye,
Distribuciones discretas de probabilidad, in Probabilidad y estadstica para ingeniera y
ciencias, octava ed. Mxico: Pearson Educacin, 2007, ch. 3, pp. 8084.[12] J. A. Gubner,
Probability mass functions, in Probability and Random Processes for Electrical and Computer
Engineers, 1st ed. Cambridge University Press, 2006, ch. 2, pp. 6768.[13] A. Leon-Garcia,
Discrete random variables and probability mass func- tion, in Probability, Statistics, and
Random Processes for Electrical Engineering, 3rd ed. Prentice Hall, 2008, ch. 3, pp. 99104.[14]
R. E. Walpole, R. H. Myers, S. L. Myers, and K. Ye, Distribuciones continuas de probabilidad,
in Probabilidad y estadstica para ingeniera y ciencias, octava ed. Mxico: Pearson Educacin,
2007, ch. 3, pp. 8487.[15] A. Leon-Garcia, The probability density function, in Probability,
Statistics, and Random Processes for Electrical Engineering, 3rd ed. Prentice Hall, 2008, ch. 4,
pp. 148152.*16+ R. E. Walpole, R. H. Myers, S. L. Myers, and K. Ye, Distribuciones de
probabilidad conjunta, in Probabilidad y estadstica para ingeniera y ciencias, octava ed.
Mxico: Pearson Educacin, 2007, ch. 3, pp. 91100.*17+ J. A. Gubner, Multiple random
variables, in Probability and Random Processes for Electrical and Computer Engineers, 1st ed.
Cambridge University Press, 2006, ch. 2, pp. 7080.[18] A. Leon-Garcia, Pairs of Random
Variables, in Probability, Statistics, and Random Processes for Electrical Engineering, 3rd ed.
Prentice Hall, 2008, ch. 5, pp. 233257.[19] , Mathematical models as tools in analysis
and design - Probability models, in Probability, Statistics, and Random Processes for Electrical
Engineering, 3rd ed. Prentice Hall, 2008, ch. 1, pp. 25.[20] , Continuous random
variables, in Probability, Statistics, and Random Processes for Electrical Engineering, 3rd ed.
Prentice Hall, 2008, ch. 4, pp. 164165.
Fundamentos de Probabilidad y Estadstica
Olga Vladimirovna Panteleeva