DISTRIBUCIONES
DISTRIBUCIONES
DISTRIBUCIONES
AUTONOMA DE PUEBLA
PROBABILIDDAD
Y
ESTADÍSTICA
DISTRIBUCIÓN GEOMETRICA
Y
MULTINOMIAL
Facultad de Ingeniería Química
BUAP
Alan Yadid Vazquez Aparicio 202060513
Distribución Geométrica.
La distribución geométrica es muy similar a la distribución binomial, consiste en una serie
de ensayos donde pueden ocurrir éxitos o fracasos. Donde, cada ensayo es idéntico e
independiente del otro, sin embargo, no hay un número fijo n de ensayos, sino que el
experimento se repite hasta que se consiga el éxito, es decir:
Sucesivamente:
El caso cuando X=2 o cuando X=3, etc. quiere decir que yo quiero obtener el éxito en el
ensayo número 2 o 3, por lo tanto, se debió de haber fracasado en los ensayos anteriores. Si
yo quiero el éxito en el ensayo 2, se tuvo que haber fracasado en el primer ensayo, esto es
lo que explica a la ecuación que se escribió arriba de P[X=2]. Lo mismo pasa cuando X=3,
si yo quiero el éxito sólo en el ensayo 3, se tuvo que haber fracasado en el primer ensayo y
en el segundo ensayo.
Propiedades.
Esperanza.
1
𝐸(𝑋) =
𝑝
Varianza.
1−𝑝
𝑉(𝑋) =
𝑝2
Distribución acumulada.
𝐹(𝑘) = 1 − 𝑞 𝑘
Si queremos el éxito en todos los ensayos utilizamos:
𝑃(𝑘 > 𝑟) = 𝑞 𝑟
Ejemplo.
Al grabar un comercial de televisión, la probabilidad es 0.30 de que cierto actor dirá sus
líneas correctamente en una toma cualquiera.
¿Cuál es la probabilidad de que diga correctamente sus líneas por primera vez en la sexta
toma?
Para que al actor se le haga una sexta toma, tuvo que haberse equivocado en las 5 tomas
anteriores. Sea el evento A: que el actor no diga correctamente sus líneas
(0.168)(0.03) = 0.0504
Así que la probabilidad de que el actor haya dicho sus líneas correctamente en la sexta toma
es de 0.0504.
¿Cuál es el número promedio de tomas que se requieren para que el actor diga
correctamente sus líneas?
Para determinar el número promedio de tomas que se requerirán, sólo se tiene que aplicar la
ecuación de la esperanza de la distribución geométrica:
1
𝐸(𝑋) =
𝑝
Donde p es la probabilidad de que le salgan bien sus líneas:
1 10
𝐸(𝑋) = = = 3.33
0.3 3
Por lo tanto, el número promedio de tomas que se requerirán es de 3.33, se tendría que dejar
en enteros ya que se hacen tomas completas, así que en promedio se requerirán 3 tomas,
además:
1 − 0.3 0.7 70
𝑉(𝑋) = = = = 7.77
0.32 0.09 9
𝐹(𝑘) = 1 − (1 − 0.3)0.0504 = 1 − 0.70.0504 = 0.0178
70
𝜎𝑋 = √ = 2.7888
9
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 tal que:
(𝑃𝑖 ≥ 0 𝑝𝑎𝑟𝑎 𝑖 𝑒𝑛𝑡𝑟𝑒 1 𝑦 𝐾 𝑦 ∑𝑘𝑖 = 1 𝑃𝑖 = 1)
;y con n sucesos independientes.
Entonces sea la variable aleatoria, que indica el número de veces que se ha dado el
resultado i sobre los n sucesos.
La distribución multinomial sigue el siguiente modelo:
𝑛! 𝑥 𝑥 𝑥 𝑥
𝑃(𝑋1 = 𝑥1 , 𝑋2 = 𝑥2 , 𝑋3 = 𝑥3 , … , 𝑋𝑛 = 𝑥𝑛 ) = ∗ 𝑝 1 ∗ 𝑝2 2 ∗ 𝑝3 3 ∗ … ∗ 𝑝𝑛 𝑛
𝑥1 ! ∗ 𝑥2 ! ∗ 𝑥3 ! ∗ … ∗ 𝑥𝑛 ! 1
Donde:
X1 = x1: indica que el suceso X1 aparezca x1 veces (ejemplo, que hayan votado 3 personas
por el partido P).
n: indica el número de veces que se ha repetido el suceso.
n!: es factorial de n.
p1: es la probabilidad del suceso X1.
Hay que tener en cuenta que si (X1, X2, ..., Xn) es una variable multidimensional entonces
existe una relación lineal entre sus componentes ya que X1+ X2+ ...+ Xn = m, por lo que,
una de las variables, por ejemplo Xn, se puede poner como combinación lineal del resto,
Xn=m-X1- X2- ...- Xn-1. Por tanto, el fenómeno que describe la variable (X1, X2, ..., Xn)
queda igualmente descrito por una variable de una dimensión menor, (X1, X2, ..., Xn-1),
sin que esta pérdida de dimensión suponga una pérdida de información.
Por ejemplo, una variable multinomial de dimensión dos (X1, X2), M(n,p1,p2), se puede
describir considerando una cualquiera de sus componentes que tiene una distribución
binomial, por lo que en realidad esta variable es unidimensional y no bidimensional.
Además, cada una de las n variables, Xi, que forman una multinomial M(n,p1,...,pn) siguen
distribuciones binomiales B(m,pi), es decir, las distribuciones marginales de una
multinomial son binomiales, por tanto, la esperanza y la varianza de cada una de estas
variables es, E[Xi]=m·pi y Var(Xi)=mpi(1-pi). Además la covarianza entre dos
cualesquiera de sus componentes es, .
Estos momentos de las variables componentes de una multinomial se pueden agrupar en
forma de matriz dando lugar a las denominadas matriz de esperanzas y matriz de varianzas-
covarianzas, que recogen las características teóricas principales de la distribución
multinomial (medias, varianzas y covarianzas)
Ejemplo.
El entrenador de un equipo de baloncesto opina que los jugadores A, B y C tienen similares
aptitudes para ser titulares del equipo en la posición de base. Así, determina que juegen el
mismo número de minutos cada partido. Se sabe que el 40% de las canastas son de C,
mientras que A y B consiguen un 30% de encestes.
Calcular la probabilidad de que en un partido con 9 encestes de dos puntos, A consiguiera
dos, B tres y C cuatro.
Sea la variable tridimensional que recoge el número de encestes de A, de B y de C,
respectivamente.
Dicha variable es una multinomial con n=9, p1=0.3, p2=0.3 y p3=0.4. Así,
9!
𝑃(𝑋1 = 2, 𝑋2 = 3, 𝑋3 = 4) = ∗ 0.32 ∗ 0.33 ∗ 0.44 = 0.078
2! ∗ 3! ∗ 4!
*EXCEL*