ETS7042 Semestre 2023-10 Prof. Virginia González y Prof.

César Henao
UNIDAD 3. Distribuciones de Probabilidad
(1) Mapa conceptual
ETS7042 Semestre 2023-10 Prof. Virginia González y Prof. César Henao
UNIDAD 3. Distribuciones de Probabilidad
(2) Variables aleatorias
Definiciones y conceptos básicos
Variable aleatoria: Una variable aleatoria es una fun-
ción que asocia un número real con cada elemento del
espacio muestral. Utilizamos la letra mayúscula 𝑋 para
denotar una variable aleatoria, y su correspondiente
letra minúscula 𝑥 para los valores específicos que
puede tomar 𝑋.
Espacio muestral discreto: Es un espacio muestral que
contiene un número finito de posibilidades, o una serie
interminable con tantos elementos como números en-
teros existen.
Espacio muestral continuo: Es un espacio muestral que
contiene un número infinito de posibilidades igual al
número de puntos en un segmento de línea.
Variable aleatoria discreta: Se puede contar su con-
junto de resultados posibles. Por ejemplo: El número
de artículos observados hasta cuando salga uno no
conforme.
Variable aleatoria continua: Puede tomar valores en
una escala continua. Por ejemplo: El tiempo entre
vehículos sucesivos que exceden los límites de veloci-
dad detectados por una unidad de radar.
Principio de Bernoulli
1. Variable dicotómica, es decir, con dos posibles valo-
res (éxito y fracaso).
2. Cada ensayo tiene asociada una probabilidad de
éxito (𝑝) o de fracaso (𝑞 = 1 − 𝑝).
3. Experimentos aleatorios son independientes, por lo
tanto, el muestreo se hace con reemplazo. Esto im-
plica que 𝑝 y 𝑞 se mantienen constantes en cada en-
sayo.
Combinaciones de 𝒏 objetos de orden 𝒓
𝑛!
𝐶𝑛𝑟 =
𝑟! ∙ 𝑛 − 𝑟) !
( 𝜎 2 : Varianza poblacional
Notación Variables Ejemplos de las formas gráficas de las distribuciones dis-
cretas y continuas especiales
𝑋: Variable aleatoria
𝑥: Valores que puede tomar 𝑋 Uniforme discreta Poisson
Notación Funciones
𝑏(𝑥; 𝑛, 𝑝): Distribución binomial
𝑏 ∗ (𝑥; 𝑟, 𝑝): Distribución binomial negativa
𝐶𝑛𝑟: Combinaciones 𝑛 objetos de orden 𝑟
𝐸(𝑋): Esperanza matemática
𝐸𝑥𝑝(𝑥; 𝜆): Distribución exponencial
Binomial Hipergeométrica
𝑓(𝑥): Función de distribución de probabilidad
𝐹(𝑥): Función de distribución de prob. acumulada
𝑓(𝑥; 𝑛): Distribución uniforme discreta
𝑓. 𝑚. 𝑝.: Función de masa de probabilidad (discreta)
𝑓. 𝑑. 𝑝.: Función de densidad de prob. (continua)
𝑔(𝑥; 𝑝): Distribución geométrica
ℎ(𝑥; 𝑁, 𝑛, 𝐾): Distribución hipergeométrica
Binomial negativa Geométrica
𝑁(𝑥; 𝜇, 𝜎 ): Distribución normal
𝑃(𝑋 = 𝑥): Probabilidad de que 𝑋 tome el valor 𝑥
𝑃(𝑋 ≤ 𝑥): Prob. acumulada de 𝑋 hasta el valor 𝑥
𝑝(𝑥; 𝜆𝑡): Distribución de Poisson
𝑈(𝑥; 𝑎, 𝑏): Distribución uniforme continua
𝑉(𝑋): Varianza (distribuciones especiales)
Notación Parámetros
Uniforme continua Normal
𝑎: Mínimo valor de 𝑥
𝑏: Máximo valor de 𝑥
𝐾: Número de objetos clasificados como éxito
𝑁: Tamaño del lote
𝑛: Puede ser no. ensayos o no. valores que toma 𝑥
𝑝: Probabilidad de éxito
𝑞: Probabilidad de fracaso
𝑟: Número de éxitos que se quieren observar Exponencial
𝜆: Tasa prom. conteo por unidad de tiempo o espacio
𝜆𝑡: Número promedio de conteos en el intervalo de
tiempo o espacio
𝜇: Media poblacional
𝜎: Desviación estándar poblacional
ETS7042 Semestre 2023-10 Prof. Virginia González y Prof. César Henao
UNIDAD 3. Distribuciones de Probabilidad
(3) Distribuciones de probabilidad

Nombre Características Variable aleato- Valores Función de distribución de pro- Media o valor esperado 𝝁 Varianza 𝝈𝟐
ria 𝑿 que toma babilidad Esperanza matemática 𝑬(𝑿) 𝑽(𝑿)
la variable
𝒙
Discreta Función de masa de Toma cada uno Toma valo- 𝑓 (𝑥) = 𝑃(𝑋 = 𝑥) 𝜇 = 𝐸 (𝑋 ) = ∑ 𝑥 ∙ 𝑓(𝑥) ; 𝑉 (𝑋) = 𝜎 2 = 𝐸 (𝑋2 ) − 𝜇2 ;
probabilidad (f.m.p.): de sus valores res discre- 𝜎 2 = ∑ 𝑥 2 ∙ 𝑓(𝑥) − 𝜇2
Debo buscar 𝑓(𝑥) 𝑥
1. 𝑓(𝑥) ≥ 0 con cierta pro- tos (unida-
𝐸[𝑔(𝑋)] = ∑ 𝑔(𝑥) ∙ 𝑓(𝑥) 𝑥
2. ∑𝑥 𝑓(𝑥) = 1 babilidad. des com-
𝑥 Tal que:
3. 𝑃 (𝑋 = 𝑥) = 𝑓(𝑥) pletas)
Propiedades: 𝐸 (𝑋 2)
= ∑ 𝑥 2 ∙ 𝑓(𝑥) ;
𝐸 (𝑎 ∙ 𝑋) = 𝑎 ∙ 𝐸 (𝑋 ) ; 𝑥
𝐸 (𝑋 + 𝑌) = 𝐸 (𝑋 ) + 𝐸 (𝑌) ; 𝐸(𝑋 ) = 𝜇
𝐸(𝑋 + 𝑐) = 𝐸 (𝑋 ) + 𝑐;
𝐸 (𝑎 ∙ 𝑋 ± 𝑏) = 𝑎 ∙ 𝐸 (𝑋 ) ± 𝑏;
𝐸 (𝑎 ∙ 𝑋 + 𝑏 ∙ 𝑌) = 𝑎 ∙ 𝐸 (𝑋) + 𝑏 ∙ 𝐸(𝑌)
Discreta Acumulada 𝐹(𝑥) = 𝑃 (𝑋 ≤ 𝑥) = ∑ 𝑓(𝑡) ;
𝑡 ≤𝑥
∀ −∞<𝑥< ∞
𝑏 ∞
Continua Función de densidad Tiene una pro- Toma valo- 𝑉 (𝑋) = 𝜎 2 = 𝐸 (𝑋2 ) − 𝜇2 ;
𝑃(𝑎 < 𝑋 < 𝑏) = ∫ 𝑓 (𝑥) 𝑑𝑥 𝜇 = 𝐸(𝑋 ) = ∫ 𝑥 ∙ 𝑓 (𝑥) 𝑑𝑥 ; ∞
de probabilidad babilidad cero res conti- 𝑎
∞
−∞ 𝜎 2 = ∫ 𝑥 2 ∙ 𝑓 (𝑥) 𝑑𝑥 − 𝜇2
(f.d.p.): de adoptar nuos (valo- 𝑎: Límite inferior −∞
1. 𝑓 (𝑥) ≥ 0, exactamente res dentro 𝐸 [ 𝑔(𝑋 )] = ∫ 𝑔(𝑥) ∙ 𝑓(𝑥 ) 𝑑𝑥
𝑏: Límite superior −∞ Tal que:
∀𝑥 ∈ 𝑅 cualquiera de de un ∞
∞ Propiedades:
2. ∫−∞ 𝑓 (𝑥) 𝑑𝑥 = 1 sus valores. rango) 𝐸 ( 𝑋2 ) = ∫ 𝑥 2 ∙ 𝑓 (𝑥) 𝑑𝑥 ;
𝐸 (𝑎 ∙ 𝑋) = 𝑎 ∙ 𝐸 (𝑋 ) ; −∞
3. 𝑃 (𝑎 < 𝑋 < 𝑏) =
𝑏 𝐸 (𝑋 + 𝑌) = 𝐸 (𝑋 ) + 𝐸 (𝑌) ; 𝐸(𝑋 ) = 𝜇
∫𝑎 𝑓 (𝑥) 𝑑𝑥 (área 𝐸(𝑋 + 𝑐) = 𝐸 (𝑋 ) + 𝑐;
bajo la curva) 𝐸 (𝑎 ∙ 𝑋 ± 𝑏) = 𝑎 ∙ 𝐸 (𝑋 ) ± 𝑏;
𝐸 (𝑎 ∙ 𝑋 + 𝑏 ∙ 𝑌) = 𝑎 ∙ 𝐸 (𝑋) + 𝑏 ∙ 𝐸(𝑌)
Continua Acumulada 𝐹 (𝑥) = 𝑃(𝑋 ≤ 𝑥)
𝑥
= ∫ 𝑓 (𝑡) 𝑑𝑡 ;
−∞
∀ −∞<𝑥< ∞
𝑃 (𝑎 < 𝑋 < 𝑏) = 𝐹 (𝑏) − 𝐹(𝑎);
𝑑𝐹(𝑥)
𝑓(𝑥) =
𝑑𝑥
-
ETS7042 Semestre 2023-10 Prof. Virginia González y Prof. César Henao
UNIDAD 3. Distribuciones de Probabilidad
(4) Distribuciones de probabilidad discretas especiales

Nombre Característi- Variable aleato- Valores que toma Función de distribución de probabilidad Esperanza matemática Varianza 𝑽(𝑿)
cas ria 𝑿 la variable 𝒙 𝒇. 𝒎. 𝒑. → 𝒇(𝒙 ) = 𝑷(𝑿 = 𝒙) 𝑬(𝑿)
Uniforme Toma cada La variable 𝑥 = 𝑥1 , 𝑥 2 , … , 𝑥 𝑛 1 (𝑏 + 𝑎) (𝑏 − 𝑎 + 1)2 − 1
𝑓 (𝑥; 𝑛) = 𝐸 (𝑋 ) = 𝑉(𝑋) =
discreta uno de sus va- toma valores (𝑥) 𝑛: No. valores que 𝑛 2 12
lores con igual según el experi- puede tomar 𝑥 𝑛: No. valores que puede tomar 𝑥 𝑎: Mínimo valor de 𝑥 𝑎: Mínimo valor de 𝑥
probabilidad. mento. 𝑏: Máximo valor de 𝑥 𝑏: Máximo valor de 𝑥
Binomial Cumple el No. éxitos en 𝑛 𝑥 = 0,1,2, … , 𝑛 𝑏 (𝑥; 𝑛, 𝑝) = 𝐶𝑛𝑥 ∙ 𝑝 𝑥 ∙ (1 − 𝑝) 𝑛−𝑥 ; 𝐸(𝑋 ) = 𝑛 ∙ 𝑝 𝑉(𝑋) = 𝑛 ∙ 𝑝 ∙ (1 − 𝑝)
principio de ensayos. El no. 𝑛: No. ensayos 𝑛! 𝑛: No. ensayos 𝑛: No. ensayos
𝐶𝑛𝑥 =
Bernoulli. ensayos es fijo y 𝑥! ∙ 𝑛 − 𝑥) !
( 𝑝: Probabilidad de éxito 𝑝: Probabilidad de éxito
conocido. 𝑛: No. ensayos
𝑝: Probabilidad de éxito
Geométrica Cumple el No. ensayos 𝑥 = 1,2,3, … 𝑔 (𝑥; 𝑝) = 𝑝 ∙ (1 − 𝑝) 𝑥−1 1 (1 − 𝑝)
𝐸 (𝑋) = 𝑉 (𝑋) =
principio de hasta el primer 𝑝: Probabilidad de éxito 𝑝 𝑝2
Bernoulli. éxito. El no. en- 𝑝: Probabilidad de éxito 𝑝: Probabilidad de éxito
sayos es desco-
nocido.
Binomial Es una gene- No. ensayos 𝑥 = 𝑟, 𝑏∗ (𝑥; 𝑟, 𝑝) = 𝐶𝑥−1
𝑟−1
∙ 𝑝 𝑟 ∙ (1 − 𝑝) 𝑥−𝑟 ; 𝑟 𝑟 ∙ (1 − 𝑝)
𝐸 (𝑋) = 𝑉 (𝑋) =
negativa ralización de hasta obtener 𝑟 𝑟 + 1, 𝑟 + 2, 𝑟−1
(𝑥 − 1)! 𝑝 𝑝2
𝐶𝑥−1 = 𝑝: Probabilidad de éxito
la Geométrica. éxitos. El no. en- 𝑟 + 3… (𝑟 − 1)! ∙ (𝑥 − 𝑟) ! 𝑝: Probabilidad de éxito
Cumple el sayos es desco- 𝑝: Probabilidad de éxito 𝑟: No. éxitos 𝑟: No. éxitos
principio de nocido. 𝑟: No. éxitos
Bernoulli.
Hipergeo- No cumple el No. éxitos en 𝑛 𝑥 = desde: 𝐶𝐾𝑥 ∙ 𝐶𝑁−𝐾
𝑛−𝑥
𝐸 (𝑋) = 𝑛 ∙ 𝑝; 𝑉 (𝑋) =
ℎ(𝑥; 𝑁, 𝑛, 𝐾) = ; 𝑁−𝑛
métrica principio de ensayos, de un 𝑚𝑎𝑥 {0, 𝑛 + 𝐾 − 𝐶𝑁𝑛 𝑛: No. ensayos
𝑛 ∙ 𝑝 ∙ (1 − 𝑝) ∙ ( )
Bernoulli por- lote tamaño 𝑁. 𝑁 } hasta 𝐾! 𝑁! 𝑝: Probabilidad de éxito 𝑁−1
𝑚𝑖𝑛 {𝐾, 𝑛} 𝐶𝐾𝑥 = ; 𝐶𝑁𝑛 = ; 𝑁: No. objetos totales 𝑛: No. ensayos
que los ensa- El no. ensayos 𝑥! ∙ (𝐾 − 𝑥) ! 𝑛! ∙ (𝑁 − 𝑛) !
yos son de- es fijo y cono- (𝑁 − 𝐾)! 𝐾: No. objetos clasificados 𝑝: Probabilidad de éxito
𝑛−𝑥
𝐶𝑁−𝐾 = 𝑁: No. objetos totales
pendientes. cido. El no. obje- (𝑛 − 𝑥)! ∙ (𝑁 − 𝐾 − 𝑛 + 𝑥) )! como éxito
tos clasificados 𝐾 𝐾
𝑛: No. ensayos 𝑝= 𝑝=
como éxito es 𝑁: No. objetos totales 𝑁 𝑁
𝐾. 𝐾: No. objetos clasificados como éxito
(𝑁 − 𝐾) : No. fracasos
Poisson Tiene la pro- No. resultados 𝑥 = 0,1,2,3, … 𝑒 −𝜆𝑡 ∙ (𝜆𝑡) 𝑥 𝐸(𝑋 ) = 𝜆𝑡 𝑉 (𝑋 ) = 𝐸(𝑋 ) = 𝜆𝑡
piedad de que ocurren en 𝑝 (𝑥; 𝜆𝑡) = No. promedio de conteos es-
𝑥!
falta de me- un largo o ta- 𝜆: Tasas promedio de conteo por unidad perados en un intervalo o re-
moria. Está re- maño 𝑡. de tiempo o espacio gión de largo o tamaño 𝑡
lacionada a la 𝑡: Largo del intervalo o tamaño de región
distribución 𝜆𝑡: No. promedio de conteos en el inter-
Exponencial. valo o región de largo o tamaño t
ETS7042 Semestre 2023-10 Prof. Virginia González y Prof. César Henao
UNIDAD 3. Distribuciones de Probabilidad
(5) Distribuciones de probabilidad continuas especiales

Nombre Característi- Variable aleato- Valores que toma Función de distribución de probabilidad Esperanza matemática Varianza 𝑽(𝑿)
cas ria 𝑿 la variable 𝒙 𝒇. 𝒅. 𝒑. → 𝒇 (𝒙) 𝑬(𝑿)
Uniforme Los intervalos Está acotada 𝑎 ≤ 𝑥≤𝑏 1 𝑎+𝑏 (𝑏 − 𝑎)2
𝑈(𝑥; 𝑎, 𝑏) = 𝐸 (𝑋 ) = 𝑉 (𝑋) =
continua del mismo ta- por un límite in- 𝑏−𝑎 2 12
maño tienen ferior (𝑎) y su- 𝑎: Mínimo valor de 𝑥 𝑎: Mínimo valor de 𝑥 𝑎: Mínimo valor de 𝑥
igual probabi- perior (𝑏). 𝑏: Máximo valor de 𝑥 𝑏: Máximo valor de 𝑥 𝑏: Máximo valor de 𝑥
lidad. Formas de calcular la probabilidad:
1. Gráficamente (área bajo la curva).
2. Integrando 𝑈(𝑥; 𝑎, 𝑏).
3. Utilizar la función de distribución acu-
mulada en los límites así:
0; 𝑥 < 𝑎
𝑥−𝑎
𝐹 (𝑋) = { ;𝑎 ≤ 𝑥 ≤ 𝑏
𝑏−𝑎
1; 𝑥 > 𝑏
Normal No se resuelve 𝑋 se estanda- −∞ ≤ 𝑥 ≤ ∞ 1 1 𝑥−𝜇 2 𝐸 (𝑋) = 𝜇 𝑉 (𝑋) = 𝜎 2
− ∙( )
𝑁 (𝑥; 𝜇, 𝜎 ) = ∙𝑒 2 𝜎 ;
de forma ana- riza a una varia- Distribución simé- 𝜎 ∙ √2𝜋 𝜇: Media 𝜎 2 : Varianza
lítica, las pro- ble aleatoria 𝑍 trica 𝜇: Media −∞ ≤ 𝜇 ≤ ∞ 𝜎>0
babilidades se normal están- 𝜎: Desviación estándar
obtienen al es- dar tal que:
𝑋−𝜇 Formas de calcular la probabilidad:
tandarizar 𝑋.
𝑍= 1. Utilizar las tablas para la normal están-
𝜎
dar para hallar 𝑃(𝑍 ≤ 𝑧)
2. 𝑃 (𝑍 > 𝑎) = 1 − 𝑃(𝑍 ≤ 𝑎)
3. 𝑃 (𝑍 ≤ −𝑎) = 1 − 𝑃(𝑍 ≤ 𝑎)
4. 𝑃 (𝑍 > −𝑎) = 𝑃(𝑍 ≤ 𝑎)
5. 𝑃 (𝑎 < 𝑍 ≤ 𝑏) = 𝑃 (𝑍 ≤ 𝑏) − 𝑃(𝑍 ≤ 𝑎)
6. 𝑃 (−𝑎 < 𝑍 ≤ 𝑏) =
𝑃(𝑍 ≤ 𝑏) − [1 − 𝑃 (𝑍 ≤ 𝑎) ]
7. 𝑃 (−𝑏 < 𝑍 ≤ −𝑎) = 𝑃(𝑏 < 𝑍 ≤ 𝑎)
Exponen- Tiene la pro- Tiempo entre 0<𝑥 <∞ 𝐸𝑥𝑝 (𝑥 ; 𝜆) = 𝜆 ∙ 𝑒 −𝜆∙𝑥 1 2 1
𝐸 (𝑋) = 𝑉 (𝑋) = (𝐸 (𝑋) ) =
cial piedad de conteos sucesi- 𝜆: Tasa promedio de conteo por unidad de 𝜆 𝜆2
falta de me- vos de un pro- tiempo o espacio 𝜆: Tasa promedio de conteo 𝜆: Tasa promedio de con-
moria. Estre- ceso de Poisson por unidad de tiempo o es- teo por unidad de tiempo
Formas de calcular la probabilidad:
cha relación con tasa 𝜆. / pacio o espacio
1. Integrar 𝐸𝑥𝑝(𝑥; 𝜆).
con la distri- Distancia entre
2. Utilizar la función de distribución acu-
bución Pois- conteos sucesi-
mulada en los límites así:
son. vos de un pro-
𝐹 (𝑋 ) = 𝑃(𝑋 ≤ 𝑥) = 1 − 𝑒 −𝜆∙𝑥
ceso de Poisson
𝑃(𝑋 > 𝑥) = 𝑒 −𝜆∙𝑥
con media 𝜆.