TEMA:

DISTRIBUCIÓN BINOMIAL Y MULTINOMIAL

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

 Describir y utilizar la distribución binomial y la multinomial, modelos matemáticos de

probabilidad.

Objetivos Específicos

 Entender la Distribución de Bernoulli antes de aplicar los conocimientos de la

Distribución Binomial.
 Utilizar los conocimientos adquiridos de la distribución binomial en la generación de la
distribución multinomial.

Introducción

Para entender la distribución binomial 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
 En esta presentación indicamos que este tipo de distribución binomial y multinomial
determina el tipo de probabilidad para describir el comportamiento de una variable real.
Identificando las propiedades, así como sus parámetros característicos, esperanza y
varianza.

Marco Teórico
Función de Bernoulli

Definición:

Cualquier experimento que tiene dos posibles resultados se llama experimento Bernoulli.

Algunos ejemplos de experimentos Bernoulli son:

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.

La variable que asigna 1 al éxito y 0 al fracaso se llama variable aleatoria Bernoulli.

Por convención a la probabilidad de que ocurra éxito en un experimento Bernoulli se le denota

con la letra p y de que ocurra un fracaso se denota con la letra q.

y por la segunda propiedad de las funciones de densidad se obtiene que

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

La variable que indica el número de éxitos en n experimentos Bernoulli iguales e

independientes se llama variable aleatoria binomial.

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:

El recorrido de la variable aleatoria binomial va de 0 a n.

Propiedad

Sea X una variable aleatoria binomial con parámetros n y p, su función de densidad es:
x n−x
f (x)= n C x p q si x=0,1 , … , n
{ ¿ 0 en otro caso

Y, además

Es un experimento de Bernoulli puede tener como resultado un éxito con probabilidad p y un

fracaso con probabilidad q=1-p. Entonces, la distribución de probabilidad de la variable
aleatoria binomial X, el número de éxito en n ensayos independientes

n!
P ( x) = p x∗q n−x
x ! ( n−x ) !
n!
x ! ( n−x )

Es igual a ( nx), que son las combinaciones de n en x

Donde:

P(x)= variable

x= valor que toma la variable

n= número de veces que se va a repetir

p= probabilidad de que suceda sea éxito.

q= probabilidad de que salga fracaso. SE define siempre 1− p

Propiedad

Si X es una variable aleatoria binomial con parámetros n y p, entonces existen n variables

Bernoulli iguales e independientes Xi , tales que:

X =X 1 + X 2 + X 3+ X 4 +...+ x n

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

Si x es una variable aleatoria binomial con parámetros n y p, entonces su media es μ=np y su

varianza es σ 2=npq .

Demostración:

Si X es variable aleatoria binomial, entonces existen x 1+ x2 + x 3 + x 4 +...+ x n variables

aleatorias Bernoulli iguales e independientes, tales que:

X 1 + X 2+ X 3 + X 4 + X 5 +...+ X n

Entonces, por las propiedades del valor esperado y de la varianza se obtiene:

a ¿ μ= E( X )=E (X ¿ ¿ 1+ X 2 + X 3+ X 4 + X 5+ ...+ X n )¿

¿ E( X 1)+ E( X ¿¿ 2)+ E (X ¿¿ 3)+ E( X ¿¿ 4)+ E( X 5)+...+ E ( X n )¿ ¿ ¿

¿ p+ p+ p+…+ p
¿ np

b ¿ σ 2=V (X )=V ( X ¿ ¿ 1+ X 2 + X 3 + X 4 + X 5 +...+ X n) ¿ por ser variables aleatorias

independientes

¿ V ( X 1)+V (X ¿ ¿2)+V (X ¿ ¿3)+V ( X ¿¿ 4)+V ( X 5)+...+V ( X n) ¿ ¿ ¿

¿ pq+ pq+ pq+…+ pq
¿ npq
La notación simplificada para la función de densidad y la función de distribución acumulada
binomial es para la densidad P( X =x)=b(x ; n , p)y para la distribución
P( X ≤ x)=B( x ; n , p)
Relación de la media y la varianza con los valores de n y p

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∗qn− x
x=0 x ! n−x !
( )
z=x−2
n

∑ ( x−2)!n !( n−x ) ! p x∗q n−x

x=2

n−2
2 n!
p ∑ p z∗qn−2− z
z=0 z ! ( n−2−z ) !
n−2
n−2!
¿ p2 (n−1)n ∑ p z∗q n−2−z
z=0 z ! ( n−2−z ) !
n−2
¿ p2 (n−1)n ∑ n−2 ∗q n−2−z
z=0 z ( )
E [ x ( x−1 ) ] =p 2(n−1) n

E [ x 2−x ] =E [ x 2 ] −E [ x ] = p2 n(n−1)

E [ x 2 ] =n∗p+ n(n−1) p2

V ( X )=n∗p+ n ( n−1 ) p 2−n2∗p 2

¿ n∗p+n2∗p 2−n∗p 2−n2∗p 2

¿ 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 x ! ( n−x p x∗qn− x
x=0 )!
n
n!
∑ x x ! ( n− p x∗qn− x
x=1 x) !
 n

∑ x (x−1)!nx!( n−x ) ! p x∗q n−x

x=1

∑ ( x−1)!n !( n−x ) ! p x∗q n−x

x=1

n
(n−1)!
n∗p ∑ p x−1∗q n−x
x=1 ( x −1)! ( n−x ) !

z=x−1

x=z +1
n−1
( n−1 ) !
n∗p ∑ p z∗q n−z −1
z=0 z ! ( N −z−1 ) !

N=n−1
n−1
( n−1 ) !
n∗p ∑ p z∗qn− z−1
z=0 z ! ( n−z−1 ) !
N
N!
n∗p ∑ p z∗q N −z
z=0 z ! ( N −z ) !
N
n∗p ∑ N p z∗q N−z =n∗p
z=0 z ( )
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

a) Definir nuestra V.A.D

b) Probabilidad de que, preguntados los alumnos, menos de tres respondan correctamente

c) Probabilidad de que, preguntados los alumnos, respondan correctamente, entre 5 y 9,

ambos inclusive

d) Valor esperado de alumnos que responden correctamente al preguntarles el profesor

e) Varianza

a) n=20 p=0,3 q=1− p=1−0,3=0,7

 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 ]

P [ x =k ] = n p k∗q n−k
()
k

P [ x =0 ] = 20 ( 0,3 ) ∗( 0,7 ) =0,0008

0 20−0
( )
0

P [ x =1 ] = 20 ( 0,3 ) ∗( 0,7 ) =0,0068

1 20−1
( )1

P [ x =2 ] = 20 ( 0,3 ) ∗( 0,7 ) =0,0278

2 20−2
( )2

¿ 0,0008+0,0068+ 0,0278=0,0355

c) X Bi(20 ; 0,3)

P [ 5 ≤ x ≤ 9 ]=P [ x=5 ] + P [ x=6 ] + P [ x=7 ] + P [ x=8 ] + P [ x=9 ]

P [ x =k ] = n p k∗q n−k
()k
P [ x =5 ] = 20 ( 0,3 ) ∗( 0,7 ) =0,1789
5 20−5
( )5
P [ x =6 ] = 20 ( 0,3 ) ∗( 0,7 ) =0,1916
6 20−6
( )6

P [ x =7 ] = 20 ( 0,3 ) ∗( 0,7 ) =0,1643

7 20−7
( )7

P [ x =8 ] = 20 ( 0,3 ) ∗( 0,7 ) =0,1144

8 20−8
( )
8

P [ x =9 ] = 20 ( 0,3 ) ∗( 0,7 ) =0,0654

9 20−9
( )
9

¿ 0,1789+0,1916+ 0,1643+0,1144 +0,0654

¿ 0,1746 17 , 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

La probabilidad de ser un varón es 0,52. Si un matrimonio tiene 4 hijos calcule la probabilidad

a) De que todos son varones

b) De que al menos haya una chica
c) Encuentre el número esperado de hijos varones y la varianza

X Bi ( 4 ; 0,52 )
a)
P [ x =k ] = n p k∗q n−k
k ()
P [ x =4 ] = 4 ( 0,52 ) ∗( 0,48 ) =0,073116
4 4− 4

4 ()
b)
P [ x =0 ] = 4 ( 0,52 ) ∗( 0,48 ) =0,0530
0 4−0

0 ()
P [ x =1 ] = 4 ( 0,52 ) ∗( 0,48 ) =0,2300
1 4 −1

1 ()
P [ x =2 ] = 4 ( 0,52 ) ∗( 0,48 ) =0,3738
2 4−2

2 ()
P [ x =3 ] = 4 ( 0,52 ) ∗( 0,48 ) =0,2699
3 4−3

3 ()
¿ 0,0530+0,2300+ 0,3738+0,2699

¿ 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

Ejercicio 3

Una moneda no cargada se lanza 6 veces (que es lo mismo que lanzar seis monedas a la vez).
Calcular las siguientes probabilidades:
a) La probabilidad de que salgan exactamente 2 soles.
b) La probabilidad de que salgan cuando menos 4 soles.
c) La probabilidad de tener 0 soles.

n=6
P=0.5
P [ x =k ] = n p ∗q
k n−k
()
k
15
a) ( X =2)=b( 2; 6,0.5)=¿ (62 )(0.5) ∗(0.5)
2 6−2
=
64

b) P( X ≥ 4 ) ¿ P(X =4 o 5 o 6)¿=b (4 ; 6,0.5)+b (5 ; 6,0.5)+b (6 ; 6,0.5)

¿ ( 64)(0.5) ∗(0.5) +(65 )(0.5) ∗(0.5) +( 66)(0.5) ∗( 0.5)

4 6−4 5 6−5 6 6 −6
=0.34375

1
a) P( X =0)=¿ (60 )(0.5) (0.5)
0 6−0
=
64

DISTRIBUCIÓN MULTINOMIAL

En teoría de probabilidad, la distribución multinomial es una generalización de la distribución

binomial.

En una distribución multinomial, el análogo a la distribución de Bernoulli es la distribución

categórica, donde cada suceso concluye en únicamente un resultado de un número finito K de
los posibles, con probabilidades

p 1, … … , pk ¿
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 =( X 1 , … . , Xk)  sigue una distribución multinomial
con parámetros n y p, donde  p=( p 1, … .. pk ).

Nota:
Nótese que en algunos campos las distribuciones categórica y multinomial se encuentran
unidas, y es común hablar de una distribución multinomial cuando el término más preciso sería
una distribución categórica.

La distribución multinomial es una generalización de la distribución binomial, en la cual sólo

hay dos posibilidades: éxito y fracaso.

Propiedad

 En la Distribución Multinomial el número de resultados es k > 2

 Hay n ensayos o pruebas independientes.
 Cada ensayo resulta en alguno de los k posibles resultados mutuamente excluyentes.
 En cada ensayo, estos k resultados ocurren con probabilidades p1 , … , pk
k

∑ pi =1
i=0

La función de probabilidad de la distribución multinomial es como sigue:

f ( x 1, … . , xk ; n , p 1 , …. , pk )=Pr ⁡(X 1= x 1 y … . y Xk=xk )

f (x)=¿
En este caso a diferencia de la binomial, en lugar de dos posibles resultados en cada ensayo,
puede haber múltiples resultados:

n!
P [ X 1=x 1 , X 2=x 2 , X 3 =x3 , … ] = p1x p x2 p3x …
1 2 3

x1 ! x 2 ! x 3 ! …

Con n = x 1+ x2 + x 3 +…

x 1∗x 2∗x 3=¿ variables aleatorias

p1∗p2∗p 3=¿ probabilidades

n !=¿números de datos total que se tiene

Media o Esperanza

E [ X i ]=n∗pi

Varianza

Var [ X i ]=n∗pi∗qi

Ejercicios

1) En un curso el 20% de los alumnos son de Armenia, el 30% de Pereira, el 40% de Manizales,
y el 10% del Valle. En un pequeño grupo se han reunido 4 alumnos. ¿Cuál es la probabilidad de
que 2 sean de Armenia y 2 de Manizales?
 n ! p x1 1 . p2x2 . p3x 3 …
P( X 1=2 , X 2=0 , X 3=2, X 3 =0)=
x1 ! . x2 ! . x3 ! …

4 ! . 0,22 . 0,30 .0,4 2 .0,3 0

P=
2! .0 ! .2 ! .0!
0,1536
P=
2 ! .0! .2 ! .0 !
0,1536
P=
4
P=0,0384
P=3,84 %
RELACIONES ENTRE MULTINOMIAL Y BINOMIAL

Para el caso en que k = 2, uno se puede convencer que la distribución multinomial coincide con
la binomial: interpretando que, si no se está en la categoría y1, se está fuera de la categoría y1.
Como p1 + p2 = 1, q ≡ p2 = 1 − p1 y definimos p = p1. De igual forma, n2 = n − n1.
Reemplazando en la distribución multinomial los valores anteriores, se obtiene que P (N1 =
n1,N2 = n2) = P (N1 = n1), donde N1 se distribuye como una binomial de parámetros n y p =
p1. Para el caso en que se tienen k categorías nos interesará la distribución marginal de Ni.
Primero, si seguimos el razonamiento anterior, el hecho que no se seleccione un elemento de
la categoría yi significa que se selecciona un elemento del resto de categorías. Esto se hace con
probabilidad 1 − pi, por lo que la distribución marginal de Ni debiera ser una binomial de
parámetros n y pi.

Haciendo el cálculo:

P ( ¿=¿ ) = ∑ P( N 1=n1 , … .. ,∋¿∋,… . , Nk=nk )

{n 1 , …. ,nk } ¿{¿¿}
k

∑ ¿=n
j

¿ ∑
{n 1 ,… ., nk } ¿{¿¿}
(n 1 ,…n .. nk ) p 1 n1
… … p 1−1¿−1 pi ¿ pi +1¿+1 … .. pk nk
∑ nj=n−¿
j≠ i

n!
¿ pi¿ ∑ p 1n 1 … … pi−1¿−1 pi+1¿+1 … … pk nk
{n 1 ,…. ,nk }¿ {¿¿} n 1 ! … …∋−1! ∋!∋+ 1! … .. nk !
∑
j ≠i
nj=n−¿

n! (n−¿)!
¿ pi¿ ∑ p 1n 1 … … pi−1¿−1 pi+1¿+1 … … pk nk
( n−¿ ) !∋! { n1 , …. ,nk }¿{¿¿} n 1 ! …∋−1!∋+1 ! … .. nk !
∑ nj=n−¿
j ≠i

n!
¿ p1 n1 ¿
( n−¿ ) !∋!
 n!
¿ p1 n1 (1−pi )n−¿
( n−¿ ) !∋!

¿ n pi ¿ (1− pi)n−¿
()
¿

Observación: Como se dijo, la interpretación es como si hubiera dos clases (categorías):

xi= yi y x 2=∪ j ≠i yj. Entonces ( Mi , M 2 ¿=¿) es un vector de frecuencias para las categorías
xi y x 2, y la distribución del vector es Multinomial de parámetros n y q 1= pi ,q 2=∑ pj. La
j ≠i
distribución marginal de M 2 es una binomial de parámetros n y q 2.

Conclusiones

• Utilizamos la distribución binomial para obtener las probabilidades de aquellas

situaciones cuyos posibles resultados sean dos.
• En el ámbito de la ingeniería esta presentación de distribución binomial y multinomial
nos ayuda a obtener probabilidades de éxitos y fracasos de un sistema de control de
calidad de piezas de manufactura de fabricación.
• En sí, en la vida profesional las distribuciones binomial y multinomial nos permite
encontrar la variable del éxito y fracaso, siempre se debe tratar de analizar el éxito o
fracaso ya sea para encontrar productos defectuosos o en buen estado.

Bibliografía
Páginas web
http://www.criced.tsukuba.ac.jp/grapes/es/image/nikou.html (Consultado
10/12/2019).
http://www.vitutor.com/pro/3/b_g.html (Consultado 10/12/2019).
Libros:
Freixa, M., et al. (1992) Análisis exploratorio de datos: Nuevas técnicas
estadísticas. Barcelona: PPU.
Tanur J. (1992)  La Estadística, una Guía de lo Desconocido. Madrid: Alianza
Editorial.