Electrónica y telecomunicaciones

PROCESOS ESTOCÁSTICOS Y TEORÍA DE COLAS

NOMBRE: Ronny Israel Cabrera Tituana

FECHA: 27-03-2011

Distribución de probabilidades
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.
Una distribución de probabilidad indica toda la gama de valores que pueden representarse
como resultado de un experimento.

Función de distribución: la distribución de probabilidad está completamente

especificada por la función de distribución, cuyo valor en cada real x es la probabilidad de
que la variable aleatoria sea menor o igual que x, es decir, dada una variable aleatoria todos
son puntos x, su función de distribución Fx(x) es:

    

Elección aleatoria: El término aleatoriedad se asocia a todo proceso cuyo resultado no es

previsible más que en razón de la intervención del azar. El resultado de todo suceso
aleatorio no puede determinarse en ningún caso antes de que este se produzca.

La elección se realiza de manera que cada miembro de la población tenga la misma

oportunidad de ser elegido, en la elección aleatoria se incorpora el azar como recurso en el
proceso de selección.

Ejemplo de elección aleatoria: un dado tiene la misma oportunidad de caer en cualquiera

de seis caras.

Variación aleatoria: Una variable está sujeta a variación aleatoria si su valor no es

predecible. Una variable cuyos valores son aleatorios, pero cuya distribución estadística se
conoce se la llama variable aleatoria.

La variación aleatoria es la diferencia entre el valor instantáneo de una cantidad fluctuante

y su valor habitual causada por motivos desconocidos o aleatorios.

Ejemplo de variación aleatoria: El factor de ruido en un sistema de telecomunicaciones en

un medio, el cual puede variar por diferentes motivos que no son controlables como la
temperatura, la humedad, etc.

Existen distribuciones de de probabilidades tanto discretas como continuas.

 Electrónica y telecomunicaciones

Distribuciones discretas: una variable aleatoria es discreta si puede asumir cuando

mucho un número finito o uno infinito contable de valores posibles. Para que una función
sea una densidad discreta son necesarias y suficientes las siguientes condiciones, sea la
función de densidad f(x) también llamada función de masa:

Condición Fórmula matemática

La función densidad f(x) se define sobre
el conjunto de los números reales.
  ∈ 

La función densidad f(x) es una

  0
probabilidad de modo de que f(x) ≥ 0 sin
importar el valor de x.

La suma de todos los valores de X que

ocurren como probabilidad distinta de 
   1
cero debe ser 1. ∀ 

Las distribuciones de variable discreta más importantes son las siguientes:

• Distribución binomial
• Distribución binomial negativa
• Distribución Poisson
• Distribución geométrica
• Distribución hipergeométrica
• Distribución de Bernoulli

Distribución de Poisson: expresa la probabilidad que un determinado número de

eventos ocurran en un determinado periodo de tiempo, dada una frecuencia media conocida
e independientemente del tiempo discurrido desde el último evento. Se dice que una vaiable
aleatoria X tiene distribución de Poisson si su densidad f está dada por:

   

  
!

Donde x = 0, 1, 2, 3,… y k > 0. k es el número de ocurrencias del evento o fenómeno. λ es

un parámetro positivo que representa el número de veces que se espera que ocurra el
fenómeno durante un intervalo dado. La media y la varianza esta expresada por el
parámetro k.

Ejemplo de distribución de Poisson: Si el 2% de los microcontroladores hechos en cierta

industria tienen fabricación defectuosa, para obtener la probabilidad de que 5 de 400
microcontroladores hechos en este laboratorio tengan fabricaciones defectuosas usamos la
 Electrónica y telecomunicaciones

distribución de Poisson. En este caso concreto, k es 5 y, λ, el valor esperado de libros

defectuosos es el 2% de 400, es decir, 8. Por lo tanto, la probabilidad buscada es:


  8 85
   0,092
! 5!

Distribución de Bernoulli: es una distribución que toma valor 1 para la probabilidad de

éxito (p) y valor 0 para la probabilidad de fracaso (q = 1 − p). Si X es una variable aleatoria
que mide "número de éxitos", y se realiza un único experimento con dos posibles
resultados (éxito o fracaso). La fórmula será:

f (x) = px(1 − p)1 − x con x = {0,1}

Su función de probabilidad viene definida por:

p si x = 1,

f (x)= q si x = 0,

0 en cualquier otro caso.

La media toma el valor de p y la varianza el valor de pq.

Ejemplo de distribución de Bernoulli: La probabilidad de que al lanzar una moneda salga

cara, se trata de un solo experimento, con dos resultados posibles: el éxito (p) se
considerará sacar cruz. Valdrá 0,5. El fracaso (q) que saliera cara, que vale (1 - p) = 1 - 0,5
= 0,5. La variable aleatoria X medirá "número de cruces que salen en un lanzamiento", y
sólo existirán dos resultados posibles: 0 (ninguna cruz, es decir, salir cara) y 1 (una cruz).

Por tanto, la variable aleatoria X se distribuirá como una Bernoulli, ya que cumple todos los
requisitos.

P(X = 0) = f (0) = (0,50) (0,51) = 0,5

P(X = 1) = f (1) = (0,51)( 0,50) = 0,5

Distribuciones continuas: una variable aleatoria es continua aquella que puede tomar
cualquiera de los infinitos valores existentes dentro de un intervalo, en el caso de variable
continua la distribución de probabilidad es la integral de la función de densidad, es decir:
$
  !  "
#
%
 Electrónica y telecomunicaciones

Para que una función sea una densidad continua son necesarias y suficientes las siguientes
condiciones, sea la función de densidad f(x) también llamada función de masa:

Condición Fórmula matemática

La función densidad f(x) se define sobre
el conjunto de los números reales.
  ∈ 

La función densidad f(x) es una

  0
probabilidad de modo de que f(x) ≥ 0 sin
importar el valor de x.

La suma de todos los valores de X que &

ocurren como probabilidad distinta de "
#  1
cero debe ser 1. &

Las distribuciones de variable continua más importantes son las siguientes:

• Distribución ji cuadrado
• Distribución exponencial
• Distribución normal
• Distribución Gamma

Distribución Normal: se tiene una distribución normal cuando una variable aleatoria X
con densidad f(x) sea:

1 + / 2
* -. 1

    , 0
√2()

Donde x y µ pueden tomar cualquier valor de los números reales y σ > 0. µ representa la
media y σ la desviación estándar. La gráfica de su función de densidad tiene una forma
acampanada y es simétrica respecto de un determinado parámetro. Esta curva se conoce
como campana de Gauss.

La distribución normal estándar es aquella en la que µ = 0 y σ = 1, se usan tablas para el

cálculo de los valores de su distribución. Y para estandarizar una variable aleatoria se
3/
utiliza la siguiente fórmula que se asume como una variable aleatoria estándar Z.
0

Ejemplo de distribución normal: Sea X el tiempo en horas necesario para localizar y

corregir un problema en el software que controla el cambio de las luces de semáforos en el
área céntrica de una gran ciudad. Supongamos que X tiene distribución normal, con media
 Electrónica y telecomunicaciones

de 10 h y varianza de 9 h. a) Calcule la probabilidad de que la identificación y corrección

del problema siguiente requieran cuando mucho 15 h.

Solución: obtenemos la media µ = 10 h y la desviación estándar σ = √9  3, cuando dice

que a lo mucho se identifique y corrija el problema en 15 h, quiere decir que el rango estará
entre 0h y 15h.
De la definición de distribución de probabilidad continua tenemos:

0  10   10 15  10
  !  0  15!   5 6
3 3 3
0  15!  .1073 8 5731

0  15!  .8 5731  98 1073:

0  15! 
1.667 
3.33

0  15!  0,9525  0,0004
 0  15!  0,9521
ERROR: syntaxerror
OFFENDING COMMAND: --nostringval--

STACK:
/Title
()
/Subject
(D:20110327212827-05’00’)
/ModDate
()
/Keywords
(PDFCreator Version 0.9.5)
/Creator
(D:20110327212827-05’00’)
/CreationDate
(GUIDO)
/Author
-mark-