Tecnológico Nacional de México

Campus Toluca
Área: Ingeniería Química

Materia: Análisis de Datos Experimentales

Tema: Variables aleatorias y funciones de distribución de

probabilidad

Profesora: Dra. Vianney Díaz Blancas

Profesor: Vianney Díaz Blancas
• Correo electrónico: [Link]@[Link] // [Link]@[Link]
• Celular: 4421880223

2
Unidad 2 Variables aleatorias y funciones de distribución de
probabilidad

3
 DISCRETA

❖ Función de probabilidad: es una función que asigna un valor de probabilidad de que la variable aleatoria

tome un valor particular. M=m o X=x

4
DISCRETA

5
 DISCRETA

❖ Función de distribución: La Función de Distribución describe la probabilidad de que la variable tome

valores iguales o inferiores a x.

6
DISCRETA

7
 DISCRETA

Distribución de probabilidad discreta: describe el comportamiento de una variable aleatoria,

independientemente de si se representa de forma gráfica o mediante un histograma, en forma tabular o con

una fórmula.

Las variables aleatorias discretas asociadas con los experimentos se pueden describir esencialmente con la

misma distribución de probabilidad y, por lo tanto, es posible representarlas usando una sola fórmula. De

hecho, se necesitan sólo unas cuantas distribuciones de probabilidad importantes para describir muchas de

las variables aleatorias discretas que se encuentran en la práctica.

8
 DISCRETA

Distribución binomial

Cuando experimento consta de pruebas repetidas, éxito o fracaso, se conoce como proceso de Bernoulli

y cada ensayo se denomina experimento de Bernoulli.

El proceso de Bernoulli

En términos estrictos el proceso de Bernoulli se caracteriza por lo siguiente:

1. El experimento consta de ensayos repetidos.

2. Cada ensayo produce un resultado que se puede clasificar como éxito o fracaso.

3. La probabilidad de un éxito, que se denota con p, permanece constante de un ensayo a otro.

4. Los ensayos repetidos son independientes.

9
 DISCRETA

Considere el conjunto de experimentos de Bernoulli en el que se seleccionan tres artículos al

azar de un proceso de producción, luego se inspeccionan y se clasifican como defectuosos o

no defectuosos. Un artículo defectuoso se designa como un éxito. El número de éxitos es

una variable aleatoria X que toma valores integrales de cero a 3. Los ocho resultados

posibles y los valores correspondientes de X son:

Como los artículos se seleccionan de forma independiente y se asume que el proceso produce

25% de artículos defectuosos,

10
 DISCRETA
Cálculos similares dan las probabilidades para los otros resultados posibles. La distribución de

probabilidad de X es, por lo tanto,

11
 DISCRETA

Distribución binomial
El numero X de éxitos en n experimentos de Bernoulli se denomina variable aleatoria binomial.

La distribución de probabilidad de esta variable aleatoria discreta se llama distribución binomial y sus

valores se denotaran como b(x; n, p), ya que dependen del número de ensayos y de la probabilidad de

éxito en un ensayo dado, Por consiguiente, para la distribución de probabilidad de X el número de

productos defectuosos es:

12
 DISCRETA

Distribución binomial

Dado que p + q = 1, vemos que:

13
14
15
16
 DISCRETA
Distribución Binomial

Como la distribución de probabilidad de cualquier variable aleatoria binomial depende solo de

los valores que toman los parámetros n, p y q, parecería razonable suponer que la media y la
varianza de una variable aleatoria binomial también dependen de los valores que toman tales
parámetros.

17
 DISCRETA

Experimentos multinomiales y la distribución multinomial

El experimento binomial se convierte en un experimento multinomial si cada prueba tiene más

de dos resultados posibles. La clasificación de un producto fabricado como ligero, pesado o
aceptable, y el registro de los accidentes en cierto crucero de acuerdo con el día de la semana,
constituyen experimentos multinomiales.

En general, si un ensayo dado puede tener como consecuencia cualquiera de los k resultados
posibles E1, E2, ..., Ek con probabilidades pl, p2, ... , pk, la distribución multinomial dará la
probabilidad de que E1 ocurra x1 veces, E2 ocurra x2 veces... y Ek ocurra xk veces en n ensayos
independientes, donde:

18
 DISCRETA

Experimentos multinomiales y la distribución multinomial

19
 Distribución de Poisson DISCRETA

Los experimentos que producen valores numéricos de una variable aleatoria X, el numero de
resultados que ocurren durante un intervalo de tiempo determinado o en una región
específica, se denominan experimentos de Poisson. La variable aleatoria X es el número de
veces que ocurre un evento durante un intervalo definido. El número X se llama variable
aleatoria de Poisson y su distribución de probabilidad se llama distribución de Poisson.

Propiedades del proceso de Poisson:

✓ El número de resultados que ocurren en un intervalo o región específica es independiente
del número que ocurre en cualquier otro intervalo de tiempo o región del espacio
disjunto. De esta forma vemos que el proceso de Poisson no tiene memoria.
✓ La probabilidad de que ocurra un solo resultado durante un intervalo de tiempo muy
corto o en una región pequeña es proporcional a la longitud del intervalo o al tamaño de
la región, y no depende del número de resultados que ocurren fuera de este intervalo de
tiempo o región.
20
 Distribución de Poisson DISCRETA

Propiedades del proceso de Poisson:

✓ La probabilidad de que ocurra más de un resultado en tal intervalo de tiempo corto o que
caiga en tal región pequeña es insignificante.

Donde t es el “tiempo”, la “distancia”, el “área” o el “volumen” específicos de interés. Como

las probabilidades dependen de λ, denotaremos la tasa de ocurrencia de los resultados con
p(x; λt).

21
Distribución de Poisson DISCRETA

22
Distribución de Poisson DISCRETA

23
Aproximación de una distribución binomial por medio DISCRETA

de una distribución de Poisson

✓ Poisson por lo general se aplica en problemas de espacio y tiempo, se podría considerar
como una forma limitante de la distribución binomial.
✓ En el caso de la distribución binomial, si n es bastante grande y p es pequeña, las condiciones
comienzan a simular las implicaciones de espacio o tiempo continuos del proceso de Poisson.
✓ La independencia entre las pruebas de Bernoulli en el caso binomial es consistente con la
segunda propiedad del proceso de Poisson.
✓ Permitir que el parámetro p se acerque a cero se relaciona con la tercera propiedad del
proceso de Poisson. si n es grande y p es cercana a 0, se puede usar la distribución de
Poisson, con μ = np, para aproximar probabilidades binomiales.
✓ Si p es cercana a 1, aún podemos utilizar la distribución de Poisson para aproximar
probabilidades binomiales intercambiando lo que definimos como éxito y fracaso, por lo
tanto, cambiando p a un valor cercano a 0.
24
Aproximación de una distribución binomial por medio DISCRETA

de una distribución de Poisson

✓ Poisson por lo general se aplica en problemas de espacio y tiempo, se podría considerar

25
26