Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INTEGRANTES:
JORGE LUIS FUENTES
JONATHAN GALLARDO
BRYAN TAIPE
MICHAEL ANACLETO
ASIGNATURA:
ESTADÍSTICA Y PROBABILIDAD
DOCENTE:
Msc. ROBERTO CALDERÓN
2019-2020
Tema: Distribución Binomial y Multinomial
Objetivos
Objetivo General
Introducción
Para entender la distribución binominal tenemos que entender la Distribución
de Bernoulli.La distribución de probabilidad binomial es uno de los modelos
matemáticos que se utiliza cuando la variable aleatoria discreta es el número
de éxitos en una muestra compuesta por n observaciones. En la distribución
multinomial, este modelo se puede ver como una generalización del Binomial
en el que, en lugar de tener dos posibles resultados, tenemos r resultados
posibles.
La distribución binomial es una distribución de probabilidad discreta que mide
el número de éxitos si la variable es una variable aleatoria discreta, es decir,
sólo puede tomar los valores 0, 1, 2, 3, 4, ..., n suponiendo que se han
realizado n pruebas. En las empresas tenemos muchas situaciones donde se
espera que ocurra o no un evento específico. Éste, sólo puede ser de éxito o
fracaso. Por ejemplo, en la producción de una pieza, ésta puede salir buena o
defectuosa. Para situaciones como éstas se utiliza la distribución binomial. La
estructura de este objeto de aprendizaje es como sigue: en primer lugar, se
presentan los objetivos que se desean consigan los alumnos; a continuación, se
trabaja la definición y características de la distribución binomial, haciendo
especial relevancia en como identificarla y diferenciarla de otras distribuciones
discretas y se resuelven algunos ejemplos prácticos para ayudar a su
comprensión. Finalmente, en el Cierre, se destacan los conceptos básicos de
aprendizaje con respecto a la distribución binomial y sus aplicaciones
prácticas.
Justificación
En este tipo de distribución se estudia la probabilidad de que se produzca un cierto
resultado, que se describe por medio de dos parámetros:
• El número de repeticiones realizadas del experimento
• La probabilidad individual del suceso aleatorio que se persigue como resultado.
El desarrollo del presente trabajo es con el motivo que el estudiante, amplié su
conocimiento sobre la probabilidad, haciendo uso de
• La función distribución binomial
• La función distribución multinomial
Marco Teórico
Función de Bernoulli
Definición:
Cualquier experimento que tiene dos posibles resultados se llama experimento Bernoulli.
Para caracterizar a los experimentos Bernoulli en un solo modelo, a uno de los resultados se
denota como éxito y al otro como fracaso; dicha asignación de los resultados del experimento
es arbitraria.
Distribución Binomial
El experimento binomial consiste en efectuar un número fijo n de experimentos Bernoulli
independientes y con igual probabilidad de éxito, y al final se cuenta cuantos éxitos ocurrieron.
Por ejemplo, realizar 20 exámenes médicos de la misma enfermedad a individuos de la misma
población y al final determinar cuántos de estos análisis clínicos son positivos.
Definición
Los experimentos Bernoulli son iguales cuando la probabilidad de éxito es la misma, y son
independientes si la función de densidad conjunta es igual al producto de las densidades
marginales. Por ejemplo:
Propiedad
Sea 𝑋 una variable aleatoria binomial con parámetros n y p, su función de densidad es:
Y, además
𝑛!
𝑃(𝑥) = 𝑝 𝑥 ∗ 𝑞 𝑛−𝑥
𝑥! (𝑛 − 𝑥)!
𝑛!
𝑥! (𝑛 − 𝑥)
Donde:
P(x)= variable
Propiedad
Si 𝑋 es una variable aleatoria binomial con parámetros n y p, entonces existen n variables
Bernoulli iguales e independientes 𝑋𝑖 , tales que:
Demostración:
La demostración es directa, basta recordar que una variable Bernoulli toma el valor de 0
cuando ocurre un fracaso y toma el valor de 1 cuando ocurre un éxito, por tanto, esta suma es
igual al número de unos en ella y esto equivale al número de éxitos en los 𝑛 experimentos
Bernoulli.
Propiedad
Demostración:
Para revisar la relación de la media y la varianza de una variable aleatoria binomial y los
valores de n y p, se calculó con Excel la función de densidad para 𝑛 = 10 𝑦 𝑝 =
0.10, 0.20, 0.30, 0.50, 0.70 𝑦 0.90 y se realizaron sus respectivas gráficas de barras:
Como se puede ver, en todos los casos el valor más probable es cuando 𝑋 toma el valor de la
media, y la mayor variación es cuando 𝑝 = 0.5
Demostración de la Varianza
Varianza: 𝑉(𝑋) = 𝑛𝑝𝑞
𝑉(𝑋) = 𝐸[𝑥 2 ] − 𝑢2
𝑛
𝑛!
𝐸[𝑥(𝑥 − 1)] = ∑ 𝑥(𝑥 − 1) 𝑝 𝑥 ∗ 𝑞 𝑛−𝑥
𝑥! (𝑛 − 𝑥)!
𝑥=0
𝑧 =𝑥−2
𝑛
𝑛!
∑ 𝑝 𝑥 ∗ 𝑞 𝑛−𝑥
(𝑥 − 2)! (𝑛 − 𝑥)!
𝑥=2
𝑛−2
2
𝑛!
𝑝 ∑ 𝑝 𝑧 ∗ 𝑞 𝑛−2−𝑧
𝑧! (𝑛 − 2 − 𝑧)!
𝑧=0
𝑛−2
2
𝑛 − 2!
= 𝑝 (𝑛 − 1)𝑛 ∑ 𝑝 𝑧 ∗ 𝑞 𝑛−2−𝑧
𝑧! (𝑛 − 2 − 𝑧)!
𝑧=0
𝑛−2
2
𝑛−2
= 𝑝 (𝑛 − 1)𝑛 ∑ ( ) ∗ 𝑞 𝑛−2−𝑧
𝑧
𝑧=0
= 𝑛 ∗ 𝑝 + 𝑛 2 ∗ 𝑝2 − 𝑛 ∗ 𝑝2 − 𝑛 2 ∗ 𝑝2
= 𝑛 ∗ 𝑝 − 𝑛 ∗ 𝑝2
= 𝑛 ∗ 𝑝(1 − 𝑝)
𝑉(𝑋) = 𝑛 ∗ 𝑝 ∗ 𝑞
Demostración de la Esperanza
Esperanza: 𝐸(𝑋) = 𝑛𝑝
𝐸(𝑋) = ∑ 𝑥 𝑝(𝑥)
𝑥
𝑛
𝑛!
∑𝑥 𝑝 𝑥 ∗ 𝑞 𝑛−𝑥
𝑥! (𝑛 − 𝑥)!
𝑥=0
𝑛
𝑛!
∑𝑥 𝑝 𝑥 ∗ 𝑞 𝑛−𝑥
𝑥! (𝑛 − 𝑥)!
𝑥=1
𝑛
𝑛!
∑𝑥 𝑝 𝑥 ∗ 𝑞 𝑛−𝑥
(𝑥 − 1)! 𝑥(𝑛 − 𝑥)!
𝑥=1
𝑛
𝑛!
∑ 𝑝 𝑥 ∗ 𝑞 𝑛−𝑥
(𝑥 − 1)! (𝑛 − 𝑥)!
𝑥=1
𝑛
(𝑛 − 1)!
𝑛∗𝑝∑ 𝑝 𝑥−1 ∗ 𝑞 𝑛−𝑥
(𝑥 − 1)! (𝑛 − 𝑥)!
𝑥=1
𝑧 =𝑥−1
𝑥 =𝑧+1
𝑛−1
(𝑛 − 1)!
𝑛∗𝑝∑ 𝑝 𝑧 ∗ 𝑞 𝑛−𝑧−1
𝑧! (𝑁 − 𝑧 − 1)!
𝑧=0
𝑁 = 𝑛−1
𝑛−1
(𝑛 − 1)!
𝑛∗𝑝∑ 𝑝 𝑧 ∗ 𝑞 𝑛−𝑧−1
𝑧! (𝑛 − 𝑧 − 1)!
𝑧=0
𝑁
𝑁!
𝑛∗𝑝∑ 𝑝 𝑧 ∗ 𝑞 𝑁−𝑧
𝑧! (𝑁 − 𝑧)!
𝑧=0
𝑁
𝑁
𝑛 ∗ 𝑝 ∑ ( ) 𝑝 𝑧 ∗ 𝑞 𝑁−𝑧 = 𝑛 ∗ 𝑝
𝑧
𝑧=0
𝐸(𝑋) = 𝑛 ∗ 𝑝
Ejercicios:
Ejercicio 1
En una clase con 20 alumnos el profesor decide preguntar a sus alumnos sobre la “Teoría del
Big Bang”. La probabilidad de que un alumno le responda correctamente es de 0,3
e) Varianza
𝑥~𝐵𝑖(𝑛, 𝑝)
𝑥~𝐵𝑖(20; 0,3)
b) 𝑋~𝐵𝑖(20; 0,3)
𝑃[𝑥 < 3] = 𝑃[𝑥 = 0] + 𝑃[𝑥 = 1] + 𝑃[𝑥 = 2]
𝒏
𝑷[𝒙 = 𝒌] = ( ) 𝒑𝒌 ∗ 𝒒𝒏−𝒌
𝒌
20
𝑃[𝑥 = 0] = ( ) (0,3)0 ∗ (0,7)20−0 = 0,0008
0
20
𝑃[𝑥 = 1] = ( ) (0,3)1 ∗ (0,7)20−1 = 0,0068
1
20
𝑃[𝑥 = 2] = ( ) (0,3)2 ∗ (0,7)20−2 = 0,0278
2
c) 𝑋~𝐵𝑖(20; 0,3)
𝒏
𝑷[𝒙 = 𝒌] = ( ) 𝒑𝒌 ∗ 𝒒𝒏−𝒌
𝒌
20
𝑃[𝑥 = 5] = ( ) (0,3) ∗ (0,7)20−5 = 0,1789
5
5
20
𝑃[𝑥 = 6] = ( ) (0,3)6 ∗ (0,7)20−6 = 0,1916
6
20
𝑃[𝑥 = 7] = ( ) (0,3)7 ∗ (0,7)20−7 = 0,1643
7
20
𝑃[𝑥 = 8] = ( ) (0,3)8 ∗ (0,7)20−8 = 0,1144
8
20
𝑃[𝑥 = 9] = ( ) (0,3)9 ∗ (0,7)20−9 = 0,0654
9
= 0,1746~71,46%
d) 𝑋~𝐵𝑖(20; 0,3)
𝑬[𝑿] = 𝒏 ∗ 𝒑
= 20(0,3)
=6
e) 𝑽[𝑿] = 𝒏 ∗ 𝒑 ∗ 𝒒
= 20 ∗ 0,3 ∗ 0,7
= 4,2
Ejercicio 2
𝑋~𝐵𝑖(4; 0,52)
a)
𝒏
𝑷[𝒙 = 𝒌] = ( ) 𝒑𝒌 ∗ 𝒒𝒏−𝒌
𝒌
4
𝑃[𝑥 = 4] = ( ) (0,52)4 ∗ (0,48)4−4 = 0,073116
4
b)
4
𝑃[𝑥 = 0] = ( ) (0,52)0 ∗ (0,48)4−0 = 0,0530
0
4
𝑃[𝑥 = 1] = ( ) (0,52)1 ∗ (0,48)4−1 = 0,2300
1
4
𝑃[𝑥 = 2] = ( ) (0,52)2 ∗ (0,48)4−2 = 0,3738
2
4
𝑃[𝑥 = 3] = ( ) (0,52)3 ∗ (0,48)4−3 = 0,2699
3
= 0,9267
c) 𝑋~𝐵𝑖(4; 0,52)
𝑬[𝑿] = 𝒏 ∗ 𝒑
= 4(0,52)
= 2,08
𝑽[𝑿] = 𝒏 ∗ 𝒑 ∗ 𝒒
= 4(0,52)(0,48)
= 0,9984
DISTRIBUCIÓN MULTINOMIAL
Entonces sea la variable aleatoria 𝑋𝑖 , que indica el número de veces que se ha dado el resultado
i sobre los n sucesos. El vector 𝑋 = (𝑋1, … . , 𝑋𝑘) sigue una distribución multinomial con
parámetros n y p, donde 𝑝 = (𝑝1, … . . 𝑝𝑘).
FUNCIÓN DE PROBABILIDAD
Una variable aleatoria X tiene densidad f, siendo f una función no-negativa integrable si:
y (si f es continua en x)
PROPIEDADES
ESPERANZA MATEMÁTICA
DEFINICION
Para una variable aleatoria discreta con valores posibles 𝑥1; 𝑥2 … 𝑥𝑛 y sus probabilidades
representadas por la función de probabilidad 𝑝(𝑥𝑖) la esperanza se calcula como ejemplo:
Para una variable aleatoria absolutamente continua, la esperanza se calcula mediante la integral
de todos los valores y la función de densidad 𝑓(𝑥):
Las esperanzas para 𝑘 = 0,1,2 … .. se llaman momentos de orden 𝑘 Más importantes son
los momentos centrados
PROPIEDADES
VARIANZA
DEFINICION
Siendo:
𝑛: número de datos
PROPIEDADES
𝑉(𝑋) =≥ 0
𝑉(𝑎𝑋 + 𝑏) = 𝑎2 𝑉(𝑋) siendo a y b números reales cualesquiera. De esta propiedad se
deduce que la varianza de una constante es cero, es decir, 𝑉(𝑏) = 0