IIND 2104 MODELOS PROBABILÍSTICOS

Departamento de Ingeniería Industrial

Facultad de Ingeniería

Distribuciones de probabilidad
En el proceso de modelamiento de sistemas que presentan un comportamiento aleatorio utilizamos
dos familias de variables aleatorias para modelar la probabilidad de ocurrencia de los eventos. Estas
son las variables aleatorias continuas y las variables aleatorias discretas.

Variables aleatorias continuas

Nos interesa utilizar variables aleatorias continuas para modelar los tiempos de ocurrencia de
eventos de interés en el sistema. Por esto, el rango de las distribuciones continuas a utilizar tiene
como valor mínimo un número no-negativo. Entre las más utilizadas están la distribución
Exponencial, Uniforme, Lognormal, Triangular y Erlang. A continuación, presentamos las
características y propiedades más relevantes de las distribuciones listadas anteriormente.

Distribución Exponencial
Parámetro: 𝜆, que indica la tasa de ocurrencia de eventos por unidad de tiempo. Las unidades de
1
medida de este parámetro son de tiempo; por ejemplo: segundos−1 , horas−1 , meses−1 .

Dominio: [0, ∞) Función de densidad 𝜆𝑒 −𝜆⋅𝑡 , 𝑡 ≥ 0

1
Valor esperado: 𝐸[𝑋] = 𝜆 Función de densidad de probabilidad
acumulada: 𝑃[𝑋 < 𝑡] = 1 − 𝑒 −𝜆⋅𝑡
1
Varianza: 𝑉𝑎𝑟[𝑋] = 𝜆2

Propiedades: La distribución de probabilidad exponencial cumple con la propiedad de no memoria,

definida a continuación.

𝑃[𝑋 < 𝑡|𝑋 > 𝑠] = 𝑃[𝑋 < 𝑡 − 𝑠] ∀𝑡 > 𝑠 ≥ 0

Distribución Uniforme Continua

Parámetros: 𝑎 (mínimo) y 𝑏 (máximo), que indican los límites entre los que estarán definidos los
valores de la variable aleatoria.

Dominio: [𝑎, 𝑏], 0 ≤ 𝑎 < 𝑏 Función de densidad 1/(𝑏 − 𝑎), 𝑎 ≤ 𝑡 ≤ 𝑏

𝑎+𝑏 Función de densidad de probabilidad

Valor esperado: 𝐸[𝑋] =
2 𝑡−𝑎
acumulada: 𝑃[𝑋 < 𝑡] = 𝑏−𝑎 ∀𝑎 ≤𝑡 ≤𝑏
(𝑏−𝑎)2
Varianza: 𝑉𝑎𝑟[𝑋] = 12

Distribución Lognormal
Se dice que 𝑋 es una variable aleatoria que sigue una distribución de probabilidad lognormal si el
logaritmo de 𝑋 es una variable siguen una distribución normal con parámetros 𝜇 y 𝜎. Estos dos
valores también son los parámetros de la distribución lognormal.

Universidad de los Andes | Vigilada Mineducación

Reconocimiento como Universidad: Decreto 1297 del 30 de mayo de 1964.
Reconocimiento personería jurídica: Resolución 28 del 23 de febrero de 1949 Minjusticia.
IIND 2104 MODELOS PROBABILÍSTICOS
Departamento de Ingeniería Industrial
Facultad de Ingeniería

2
Dominio: (0, ∞) 1 −(ln(𝑡)−𝜇)
Función de densidad 𝑡⋅𝜎 √2𝜋
𝑒 2𝜎2

𝜎2
𝜇+
Valor esperado: 𝐸[𝑋] = 𝑒 2
Función de densidad de probabilidad
2 2
acumulada: no tiene forma explicita
Varianza: 𝑉𝑎𝑟[𝑋] = (𝑒 𝜎 − 1) ⋅ (𝑒 2⋅𝜇+𝜎 )

Distribución Triangular
Parámetros: 𝑎 (mínimo) , 𝑏 (máximo) y 𝑐 (valor más probable).

Dominio: [𝑎, 𝑏], 0 ≤ 𝑎 < 𝑏 2(𝑡−𝑎)

(𝑏−𝑎)⋅(𝑐−𝑎)
∀𝑎 ≤𝑡 ≤𝑐
Función de densidad { 2(𝑏−𝑡)
𝑎+𝑏+𝑐 ∀𝑐 <𝑡 ≤𝑏
Valor esperado: 𝐸[𝑋] = (𝑏−𝑎)⋅(𝑏−𝑐)
3

𝑎 2 +𝑏2 +𝑐 2 −𝑎𝑏−𝑎𝑐−𝑏𝑐 Función de densidad de probabilidad acumulada:

Varianza: 𝑉𝑎𝑟[𝑋] = (𝑡−𝑎)2
18
(𝑏−𝑎)⋅(𝑐−𝑎)
∀𝑎 ≤𝑡 ≤𝑐
𝑃[𝑋 < 𝑡] = { (𝑏−𝑡)2
1 − (𝑏−𝑎)⋅(𝑏−𝑐) ∀𝑐 <𝑡 ≤𝑏

A continuación, se presenta el histograma de frecuencias para una variable aleatoria 𝑋 que sigue
una distribución de probabilidad triangular con parámetros 𝑎 = 0, 𝑏 = 60 y 𝑐 = 20.

Histograma de 𝑇𝑟𝑖𝑎𝑛𝑔(0,60,20)

Distribución Erlang
Se define 𝑋 como una variable aleatoria que sigue una distribución Erlang si constituye una suma
de K variables aleatorias distribuidas exponencialmente con el mismo parámetro 𝜆, y estas son
independientes entre sí. Los parámetros de la distribución Erlang son 𝑘 (cantidad de variables
aleatorias exponenciales que se suman) y 𝜆 (parámetro de cada una de esas variables aleatorias).

Sea 𝑌𝑖 un conjunto de variables aleatoria distribuidas exponencialmente con parámetro 𝜆. 𝑌𝑖 son iid
(independientes e idénticamente distribuidas).

Universidad de los Andes | Vigilada Mineducación

Reconocimiento como Universidad: Decreto 1297 del 30 de mayo de 1964.
Reconocimiento personería jurídica: Resolución 28 del 23 de febrero de 1949 Minjusticia.
IIND 2104 MODELOS PROBABILÍSTICOS
Departamento de Ingeniería Industrial
Facultad de Ingeniería

𝑋 = ∑ 𝑌𝑖
𝑖=1

𝑋~𝐸𝑟𝑙𝑎𝑛𝑔(𝑘 = 𝑁, 𝜆)
En caso en que 𝑌𝑖 no sean variables aleatorias iid, la distribución de probabilidad de 𝑋 no será Erlang.

Dominio: [0, ∞) (𝜆⋅𝑡)𝑘−1

Función de densidad 𝜆𝑒 −𝜆⋅𝑡 ⋅ (𝑘−1)!
𝑘
Valor esperado: 𝐸[𝑋] = 𝜆
Función de densidad de probabilidad acumulada:
(𝜆⋅𝑡)𝑗
𝑘 𝑃[𝑋 < 𝑡] = 1 − ∑𝑘−1
𝑗=0 𝑒
−𝜆⋅𝑡
Varianza: 𝑉𝑎𝑟[𝑋] = 𝜆2
𝑗!

Variables aleatorias discretas

Nos interesa utilizar variables aleatorias discretas para modelar la probabilidad de ocurrencia de
eventos de interés en el sistema. Entre las distribuciones de probabilidad discretas más utilizadas
están la Poisson, Bernoulli, Geométrica, Binomial y Uniforme. A continuación, presentamos las
características más relevantes de las distribuciones anteriormente mencionadas.

Distribución Poisson
Una variable aleatoria que siga una distribución de Poisson nos permite conocer la probabilidad que
ocurra una cantidad determinada de eventos durante un período de tiempo definido t. De este
modo, el parámetro de esta distribución es 𝜆, que indica la tasa de ocurrencia de eventos por unidad
1
de tiempo. Las unidades de medida de 𝜆 son de tiempo; por ejemplo, segundos−1 , horas−1 , meses−1.

Dominio: [0,1,2,3,4, … , ∞) 𝑒 −𝜆 ⋅𝜆𝑘

Función de densidad 𝑃[𝑋 = 𝑘] = 𝑘!
Valor esperado: 𝐸[𝑋] = 𝜆
Función de densidad de probabilidad
acumulada: no tiene forma explícita
Varianza: 𝑉𝑎𝑟[𝑋] = 𝜆

Relación con la distribución Exponencial

Una variable aleatoria Poisson nos permite caracterizar el número de eventos que ocurren en un
tiempo definido t. Se sabe que el tiempo de ocurrencia entre cualquier par de eventos consecutivos
sigue una distribución Exponencial con parámetro 𝜆, igual al de la distribución Poisson.

Distribución Bernoulli
Sea 𝑋 variable aleatoria que mide el resultado de un único experimento con dos posibles resultados:
éxito (1) o fracaso (0). Esta variable aleatoria sigue una distribución de probabilidad Bernoulli. Por
ende, el único parámetro es 𝑝, que indica la probabilidad de éxito del experimento.

Universidad de los Andes | Vigilada Mineducación

Reconocimiento como Universidad: Decreto 1297 del 30 de mayo de 1964.
Reconocimiento personería jurídica: Resolución 28 del 23 de febrero de 1949 Minjusticia.
IIND 2104 MODELOS PROBABILÍSTICOS
Departamento de Ingeniería Industrial
Facultad de Ingeniería

Dominio: {0,1} Función de densidad

𝑃[𝑋 = 𝑘] = 𝑝𝑘 ⋅ (1 − 𝑝)1−𝑘 , 𝑘 ∈ {0,1}
Valor esperado: 𝐸[𝑋] = 𝑝
Función de densidad de probabilidad acumulada:
Varianza: 𝑉𝑎𝑟[𝑋] = 𝑝(1 − 𝑝) 1−𝑝 𝑘 =0
𝑃[𝑋 ≤ 𝑘] = {
1 𝑘>0

Distribución Geométrica
Sea 𝑋 una variable aleatoria que cuenta el número de intentos necesarios hasta obtener el primer
éxito, de un fenómeno aleatorio con dos posibles resultados: éxito o fracaso. Dicha variable
aleatoria sigue una distribución de probabilidad Geométrica.

Parámetro: 𝑝, que indica la probabilidad que en cada uno de los intentos el resultado sea exitoso.

Dominio: {1,2,3, … , ∞} Función de densidad

𝑃[𝑋 = 𝑘] = (1 − 𝑝)𝑘−1 ⋅ 𝑝, 𝑘 ∈ {1,2,3, … , ∞)
1
Valor esperado: 𝐸[𝑋] = 𝑝
Función de densidad de probabilidad acumulada:
1−𝑝 𝑃[𝑋 ≤ 𝑘] = 1 − (1 − 𝑝)𝑘 , 𝑘 ∈ {1,2,3, … , ∞)
Varianza: 𝑉𝑎𝑟[𝑋] =
𝑝2

Propiedades: La función Geométrica cumple con la propiedad de no memoria, definida a

continuación:

𝑃[𝑋 > 𝑚 + 𝑛 |𝑋 > 𝑚] = 𝑃[𝑋 > 𝑛]

Distribución Binomial
Sea 𝑋 una variable aleatoria que cuenta el número de éxitos en una secuencia de n intentos
independientes y aleatorios con dos posibles resultados: éxito o fracaso. Dicha variable aleatoria
sigue una distribución de probabilidad Binomial.

Parámetros: 𝑛 (número de intentos), 𝑝 (probabilidad de éxito en cada uno de los intentos).

Dominio: {0,1,2, … , 𝑛} Función de densidad

𝑃[𝑋 = 𝑘] = (𝑛𝑘)𝑝𝑘 ⋅ (1 − 𝑝)𝑛−𝑘 , 𝑘 ∈ {0,1,2, … , 𝑛}
Valor esperado: 𝐸[𝑋] = 𝑛 ⋅ 𝑝
Función de densidad de probabilidad acumulada:
Varianza: 𝑉𝑎𝑟[𝑋] = 𝑛 ⋅ 𝑝 ⋅ (1 − 𝑝) no tiene forma explícita

Distribución Binomial Negativa

Sea 𝑋 una variable aleatoria que cuenta el número de intentos necesarios para el obtener k-ésimo
éxito (por primera vez). Cada uno de los intentos es un ensayo de Bernoulli independiente del resto,
en donde hay dos posibles resultados: éxito o fracaso. Dicha variable aleatoria sigue una distribución
de probabilidad Binomial Negativa.

Universidad de los Andes | Vigilada Mineducación

Reconocimiento como Universidad: Decreto 1297 del 30 de mayo de 1964.
Reconocimiento personería jurídica: Resolución 28 del 23 de febrero de 1949 Minjusticia.
IIND 2104 MODELOS PROBABILÍSTICOS
Departamento de Ingeniería Industrial
Facultad de Ingeniería

Parámetros: 𝑘 (número de éxito de interés), 𝑝 (probabilidad de éxito de cada uno de los intentos).

Dominio: {𝑘, 𝑘 + 1, 𝑘 + 2, … , ∞} Función de densidad

𝑚−1
𝑃[𝑋 = 𝑚] = (𝑚−𝑘 )(𝑝)𝑘 ⋅ (1 − 𝑝)𝑚−𝑘 , 𝑚 ≥ 𝑘
𝑘
Valor esperado: 𝐸[𝑋] = 𝑝
Función de densidad de probabilidad acumulada:
𝑘⋅(1−𝑝) no tiene forma explícita
Varianza: 𝑉𝑎𝑟[𝑋] =
𝑝2

Distribución Uniforme Discreta

Sea X una variable aleatoria discreta que sigue la distribución uniforme. Se conoce que la
probabilidad de ocurrencia de cada uno de los valores de su dominio finito es igual. Se define
𝑥𝑖 ∀𝑖 ∈ {1,2, … , 𝑛} como diferentes realizaciones de la variable aleatoria 𝑋.

Parámetros: 𝑎 (mínimo) y 𝑏 (máximo), que indican los límites entre los cuales estará definida la
variable aleatoria.

Dominio: {𝑎 + 1, 𝑎 + 2, … , 𝑏 − 1, 𝑏} Función de densidad

1
1 𝑛 𝑃[𝑋 = 𝑘] =
Valor esperado: 𝐸[𝑋] = ∑ 𝑥 𝑛
𝑛 𝑖=1 𝑖

1 Función de densidad de probabilidad

Varianza: 𝑉𝑎𝑟[𝑋] = ∑𝑛𝑖=1(𝑥𝑖2 ) − (𝐸[𝑋])2 acumulada:
𝑛
1
𝑃[𝑋 ≤ 𝑘] = ∑ 1
𝑛
𝑎≤𝑗≤𝑘

Universidad de los Andes | Vigilada Mineducación

Reconocimiento como Universidad: Decreto 1297 del 30 de mayo de 1964.
Reconocimiento personería jurídica: Resolución 28 del 23 de febrero de 1949 Minjusticia.