Distribuciones Multinomial y de Poisson

TECNOLÓGICO NACIONAL DE MÉXICO
INSTITUTO TECNOLÓGICO DE TOLUCA
“Distribución Multinomial y Distribución de Poisson”

Presenta: Jesús Alfonso Reyna Esquivel
La distribución multinomial es una distribución discreta multivariante y, como

su nombre indica, es una generalización de la distribución binomial cuando el
experimento aleatorio considerado no tiene sólo dos resultados posibles,
éxito o fracaso, sino tres o más.
Consideremos un experimento aleatorio con k + 1 posibles resultados o

sucesos A1, A2, · · · A k+1 exhaustivos y mutuamente excluyentes, es decir,
constituyen una partición del espacio muestral:
Si denotamos por p1, p2, · · · , pk+1 las probabilidades de los diferentes

sucesos:
Se verifica que P = 1 y de aquí:
Supongamos que realizamos n repeticiones independientes del experimento

en las mismas condiciones y, por tanto, las probabilidades pi = P(Ai), i = 1,
2, · · · , k+1 se mantienen constantes en las n repeticiones. Si consideramos
x1, x2, · · · , xk enteros no negativos tales que x1 + x2 + · · · xk ≤ n, entonces
la probabilidad de que en n repeticiones del experimento ocurra exactamente
xi veces el suceso Ai , i = 1, 2, · · · , k y, por tanto xk+1 = n − (x1 + x2
+ · · · xk) veces el suceso Ak+1 es:
Si consideramos ahora k + 1 variables aleatorias que representan Xi=

Número de veces que ocurre el suceso Ai en las n repeticiones del
experimento, i = 1, 2, · · · , k + 1 (claramente Xk+1 está completamente
determinada a partir de las anteriores ya que:
Entonces:
Definición. Una variable aleatoria k-dimensional X = (X1, X2, · · · , Xk) se

dice que sigue una distribución multinomial de parámetros n y p1, p2, · · · , pk
si su función masa de probabilidad viene dada por la expresión anterior y se
denotar´a por X ∼ M(n; p1, p2, · · · , pk). Se puede probar fácilmente que es
una función masa de probabilidad. En efecto son cantidades positivas y su
suma en los posibles valores de x1, x2, · · · , xk es:
Distribución de Probabilidad de Poisson. Se dice que una variable
aleatoria X tiene una distribución de Poisson con parámetro λ (λ < 0) si la
función masa de probabilidad de X es:
El valor de λ es con frecuencia un valor por unidad de tiempo o por unidad de

área.La letra e en p(x; λ) representa la base del sistema de logaritmos
naturales; su valor numérico es aproximadamente 2.71828. Como λ debe ser
positiva, p(x; λ) > 0 con todos los va lores posibles x. El hecho de que
es una consecuencia de la expansión dela serie infinita de

Maclaurin de �λ , la cual aparece en la mayoría de los textos de cálculo:
Si los dos términos extremos de la expresión anterior se multiplican por �−λ y

luego �−λ se coloca adentro de la suma, el resultado es:
lo que demuestra que p(x; λ) satisface la segunda condición necesaria para

especificar una función masa de probabilidad.
Ejemplo. Sea X el número de criaturas de un tipo particular capturadas en

una trampa durante un periodo determinado. Suponga que X tiene una
distribución de Poisson con λ = 4.5, así que en promedio las trampas
contendrán 4.5 criaturas [El artículo “Dispersal Dynamics of the Bivalve
Gemma Gemma in a Patchy Environment (Ecological Monographs, 1995: 1–
20) sugiere este modelo: el molusco bivalvo Gemma gemma es una pequeña
almeja.] La probabilidad de que una trampa contenga exactamente cinco
criaturas es:
La probabilidad de que una trampa contenga cuando mucho cinco criaturas
es:
Media y Varianza de X en la Distribución de Poisson. Si X tiene una

distribución de Poisson con parámetro λ, entonces E(X) = V(X) = λ. Estos
resultados también pueden ser derivados directamente de la definición de
media y varianza.
En en ejemplo... tanto el número esperado de criaturas atrapadas como la

varianza de éste son iguales a 4.5:
Proceso de Poisson. Una aplicación muy importante de la distribución de

Poisson surge en conexión con la ocurrencia de eventos de algún tipo en el
transcurso del tiempo. Eventos de interés podrían ser visitas a un sitio web
particular, pulsos de alguna clase registrados por un contador, mensajes de
correo electrónico enviados a una dirección particular, accidentes en una
instalación industrial o lluvias de rayos cósmicos observados por astrónomos
en un observatorio particular. Se hace la siguiente suposición sobre la forma
en que los eventos de interés ocurren:
1. Existe un parámetro α < 0 de tal modo que durante cualquier intervalo de

tiempo corto ∆t, la probabilidad de que ocurra exactamente un evento es α
*∆t + o(∆t).
2. La probabilidad de que ocurra más de un evento durante ∆t es o(∆t) [la que
junto con la suposición 1, implica que la probabilidad de cero eventos durante
∆t es 1 - α * (∆t o(∆t))].
3. El número de eventos ocurridos durante este intervalo de tiempo ∆t es
independiente del número ocurrido antes de este intervalo de tiempo.
Proposición. de modo que el número de eventos
durante un intervalo de tiempo de duración t es una variable de Poisson con
parámetro λ = αt. El número esperado de eventos durante cualquier intervalo
de tiempo es entonces αt, así que el número esperado durante un intervalo
de tiempo unitario es α.
La ocurrencia de eventos en el transcurso del tiempo como se describió se

llama proceso de Poisson; el parámetro α especifica el ritmo del proceso.
Ejemplo. Suponga que llegan pulsos a un contador a un ritmo promedio de

seis por minuto, así que α = 6. Para determinar la probabilidad de que en un
intervalo de 0.5 min se reciba por lo menos un pulso, obsérvese que el
número de pulsos en ese intervalo tiene una distribución de Poisson con
parámetro αt = 6(0.5) = 3 (se utiliza 0.5 min porque α está expresada como
ritmo por minuto). Entonces con X el número de pulsos recibidos en el
intervalo de 30 segundos:
En lugar de observar eventos en el transcurso del tiempo, considere observar

eventos de algún tipo que ocurren en una región de dos o tres dimensiones.
Por ejemplo, se podría seleccionar un mapa de una región R de un bosque, ir
a dicha región y contar el número de árboles. Cada árbol representaría un
evento que ocurre en un punto particular del espacio. Conforme a
suposiciones similares a 1–3, se puede demostrar que el número de eventos
que ocurren en una región R tiene una distribución de Poisson con parámetro
α(R), donde α(R) es el área de R. La cantidad α es el número esperado de
eventos por unidad de área o volumen.
BIBLIOGRAFÍA. Devore, J. (2008). Probabilidad y Estadística para Ingeniería

y Ciencias. México: CENGAGE LEARNING

Distribuciones Multinomial y de Poisson

Cargado por

Copyright:

Formatos disponibles

Distribuciones Multinomial y de Poisson

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Distribuciones Multinomial y de Poisson

Cargado por

Copyright:

Formatos disponibles

TECNOLÓGICO NACIONAL DE MÉXICO

INSTITUTO TECNOLÓGICO DE TOLUCA

“Distribución Multinomial y Distribución de Poisson”

La distribución multinomial es una distribución discreta multivariante y, como

Consideremos un experimento aleatorio con k + 1 posibles resultados o

Si denotamos por p1, p2, · · · , pk+1 las probabilidades de los diferentes

Se verifica que P = 1 y de aquí:

Supongamos que realizamos n repeticiones independientes del experimento

Si consideramos ahora k + 1 variables aleatorias que representan Xi=

Definición. Una variable aleatoria k-dimensional X = (X1, X2, · · · , Xk) se

El valor de λ es con frecuencia un valor por unidad de tiempo o por unidad de

es una consecuencia de la expansión dela serie infinita de

Si los dos términos extremos de la expresión anterior se multiplican por �−λ y

lo que demuestra que p(x; λ) satisface la segunda condición necesaria para

Ejemplo. Sea X el número de criaturas de un tipo particular capturadas en

Media y Varianza de X en la Distribución de Poisson. Si X tiene una

En en ejemplo... tanto el número esperado de criaturas atrapadas como la

Proceso de Poisson. Una aplicación muy importante de la distribución de

1. Existe un parámetro α < 0 de tal modo que durante cualquier intervalo de

La ocurrencia de eventos en el transcurso del tiempo como se describió se

Ejemplo. Suponga que llegan pulsos a un contador a un ritmo promedio de

En lugar de observar eventos en el transcurso del tiempo, considere observar

BIBLIOGRAFÍA. Devore, J. (2008). Probabilidad y Estadística para Ingeniería

También podría gustarte