INSTITUTO TECNOLOGICO DE DURANDO

DEPARTAMENTOS DE INGENIERIAS QUIMICA Y BIOQUIMICA

ANALISIS DE DATOS EXPERIMENTALES

3W

MAESTRA:

LUISA EUGENIA GANDARILLA CASTRUITA

EQUIPO:

DIANA VANESSA ONTIVEROS ALVAREZ

DAVID ARTURO MORALES BELTRAN

NOE CUAHTEMOC PEREZ

TEMAS:

DISTRIBUCIÓN UNIFORME DISCRETA

DISTRIBUCIÓN BINOMIAL

DISTRIBUCIÓN GEOMETRICA
 DISTRIBUCIÓN UNIFORME DISCRETA

Tenemos esta distribución cuando el resultado de una experiencia aleatoria puede ser un
conjunto finito de n posibles resultados, todos ellos igualmente probables.

Un ejemplo puede ser la variable X, puntuación en el lanzamiento de un dado regular. Esta

variable toma seis valores posibles, todos con la misma probabilidad p = 1/6. La función de
densidad de esta variable será:

f(k) = P[X = k] = 1/6 k = 1, 2, 3, 4, 5, 6

En general, si la variable X puede tomar n (k = 1, 2, ..., n) valores, todos con igual
probabilidad, su función de densidad será:

f(k) = P[X = k] = 1/n k = 1, 2, ..., n

Propiedades del modelo Uniforme discreto:

Sea n el número de valores equiprobables posibles:

1) Esperanza:

2) Varianza:

Características:

- En la distribución de probabilidad uniforme discreta, la variable aleatoria toma cada uno de

sus valores con idéntica probabilidad.

- El parámetro de la distribución de probabilidad uniforme discreta, viene dado por la inversa

de los valores que puede tomar la variable aleatoria.

- La variable aleatoria que describe el número de caras obtenidas al lanzar dos monedas
legales sigue una probabilidad de distribución uniforme.

- La media de una variable aleatoria discreta uniforme, f(x;k), siempre coincide con uno de los
valores de la misma observados en el experimento.

- La varianza de una variable aleatoria discreta uniforme, f(x;k), no depende del número de
valores que pueda tomar la variable.
 DISTRIBUCIÓN BINOMIAL

En estadística, la distribución binomial es una distribución de probabilidad discreta que mide

el número de éxitos en una secuencia de n ensayos independientes de Bernoulli con una
probabilidad fija p de ocurrencia del éxito entre los ensayos.

Un experimento de Bernoulli se caracteriza por ser dicotómico, esto es, sólo son posibles dos
resultados. A uno de estos se denomina éxito y tiene una probabilidad de ocurrencia p y al
otro, fracaso, con una probabilidad q = 1 - p. En la distribución binomial el anterior
experimento se repite n veces, de forma independiente, y se trata de calcular la probabilidad
de un determinado número de éxitos. Para n = 1, la binomial se convierte, de hecho, en una
distribución de Bernoulli.

La distribución binomial está asociada a experimentos del siguiente tipo:

- Realizamos n veces cierto experimento en el que consideramos sólo la posibilidad de éxito o

fracaso.

- La obtención de éxito o fracaso en cada ocasión es independiente de la obtención de éxito o

Fracaso en las demás ocasiones.

- La probabilidad de obtener éxito o fracaso siempre es la misma en cada ocasión.

Formula:

n = cantidad de ensayos o experimentos

k = cantidad de éxitos

p = probabilidad de éxito

q = probabilidad de fracasos (1-p)

La distribución binomial se puede expresar de forma gráfica:

Imaginemos una escuela primaria donde los alumnos llegan tarde a menudo. Cinco alumnos
están en el jardín de niños. La directora lleva tiempo estudiando el problema, habiendo
llegado a la conclusión de que hay una probabilidad de 0.4 de que un alumno llegue tarde y
de que los alumnos lleguen independientemente uno de otro ¿Cómo trazamos una
distribución binomial de probabilidad que ilustre las probabilidades de que 0,1,2,3,4 ó 5
estudiantes lleguen tarde simultáneamente? Para hacerlo necesitaremos utilizar la fórmula
binomial donde:

P= 0.4

Q= 0.6

N= 5

Realicemos el cálculo de cada valor de R:

Para R= 0 obtenemos que:

P(0) = 5!/ 0!(5-0)! (0.4 )0 (0.6)5

P(0) = 0.07776

Para R= 1 obtenemos que:

P(1) = 5!/ 1!(5-1)! (0.4 )1 (0.6)4

P(1) = 0.2592

Para R=2 obtenemos que:

P(2) = 5!/ 2!(5-2)! (0.4 )2 (0.6)3

P(2) = 0.3456

Para R= 3 obtenemos que:

P(3) = 5!/ 3!(5-3)! (0.4 )3 (0.6)2

P(3) = 0.2304
Para R= 4 obtenemos que:

P(4) = 5!/ 4!(5-4)! (0.4 )4 (0.6)1

P(4) = 0.0768

Para R= 5 obtenemos que:

P(5) = 5!/ 5!(5-5)! (0.4 )5 (0.6)0

P(5) = 0.01024

Representando estos resultados en una gráfica:

 DISTRIBUCIÓN GEOMETRICA

Esta distribución sirve para calcular la probabilidad de que ocurra un éxito por primera y
única vez en el último ensayo que se realiza del experimento.

Función de densidad:

Sea A un suceso de probabilidad P(A)=p, y sea X la variable aleatoria que expresa el número
de fracasos que tiene lugar en las repeticiones independientes de pruebas de Bernoulli, hasta
que ocurre A por primera vez. La variable X toma los valores de 0, 1,2,….(número de
fracasos). Decimos que una variable aleatoria X sigue una distribución geométrica de
parámetros p si su función de probabilidad es:

Dónde:

P= probabilidad de éxito en cada ensayo

x= ensayos que sean necesarios para obtener un éxito, para x = 1, 2, 3,..

Lo anterior solo se cumple si y solo si:

º Las pruebas son idénticas e independientes entre sí.

º La probabilidad de éxito es p y se mantiene constante de prueba en prueba

Función de distribución:

La función de densidad de la variable aleatoria geométrica sólo depende del parámetro p, y

presenta siempre una asimetría a la derecha como se puede observar en las siguientes
funciones de densidad.
Función generadora de momentos:

Demostración:

Esperanza:

Demostración:

Varianza:

Demostración:
Por tanto:

Función característica:

La función característica se calcula teniendo en cuenta que de nuevo aparece la sumación de

los términos de una progresión geométrica, pero esta vez de razón eit q: