UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN.

FACULTAD DE INGENIERÍA MECÁNICA Y

ELÉCTRICA.

Probabilidad y Estadística

Tema:

Distribución Multinomial y Exponencial

Alumno:

Nahim Jacob Borbón Onofre

Salón:

4110
Grupo:

M4 Veranos

Catedrático(a):

Ing. Humberto Moreno Obregón

San Nicolás de los Garza, N.L. 16 de Julio del 2013

Distribución Multinomial
La distribución multinomial es una generalización de la distribución binomial. En
este caso, en un experimento interesa estudiar no la ocurrencia de un único
suceso o la de su contrario, sino la de varios sucesos (tres o más).
La distribución multinomial, M(n,p1,...,pn) proporciona probabilidades de obtener,
en m repeticiones independientes de un experimento, x1 veces el suceso A1,
x2 veces el suceso A2,..., xn veces el suceso An, donde dichos sucesos forman
una partición del espacio muestral, es decir, tal
que para y dónde , por tanto, se cumple

.
Así, considerando que Xi es el número de veces que se presenta el suceso Ai en
las m repeticiones tenemos que la variable n-dimensional (X1, X2, ..., Xn) sigue
una distribución multinomial de parámetros n, p1, ..., pn y su función de
probabilidad es

para con .

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 #1
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 jueguen 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:

Ejemplo #2

En una fiesta, el 20% de los asistentes son españoles, el 30% franceses, el 40% italiano y
el 10% portugueses. En un pequeño grupo se han reunido 4 invitados: ¿cuál es la
probabilidad de que 2 sean españoles y 2 italianos?

P = 0,0384
Distribución Exponencial
La distribución exponencial es el equivalente continuo de la distribución
geométrica discreta. Esta ley de distribución describe procesos en los que:
Nos interesa saber el tiempo hasta que ocurre determinado evento, sabiendo que,
el tiempo que pueda ocurrir desde cualquier instante dado t, hasta que ello ocurra
en un instante tf, no depende del tiempo transcurrido anteriormente en el que no
ha pasado nada.
A pesar de la sencillez analítica de sus funciones de definición, la distribución
exponencial tiene una gran utilidad práctica ya que podemos considerarla como un
modelo adecuado para la distribución de probabilidad del tiempo de espera entre
dos hechos que sigan un proceso de Poisson. De hecho la distribución
exponencial puede derivarse de un proceso experimental de Poisson con las
mismas características que las que enunciábamos al estudiar la distribución de
Poisson, pero tomando como variable aleatoria, en este caso, el tiempo que tarda
en producirse un hecho
Obviamente, entonces, la variable aleatoria será continua. Por otro lado existe una
relación entre el parámetro a de la distribución exponencial, que más tarde
aparecerá, y el parámetro de intensidad del proceso l, esta relación es a = l
Al ser un modelo adecuado para estas situaciones tiene una gran utilidad en los
siguientes casos:
· Distribución del tiempo de espera entre sucesos de un proceso de Poisson
· Distribución del tiempo que transcurre hasta que se produce un fallo, si se
cumple la condición que la probabilidad de producirse un fallo en un instante no
depende del tiempo transcurrido .Aplicaciones en fiabilidad y teoría de la
supervivencia.

Su función de densidad es de la forma:

Como vemos este modelo depende de un único parámetro α que debe ser
positivo: α > 0. A continuación se muestra un programa que nos permite ver cómo
cambia la forma de la función de densidad según el parámetro α.
La función de distribución se obtiene integrando la de densidad y es de la forma:

Podemos utilizar el programa siguiente para calcular dicha función de distribución:

Propiedades del modelo Exponencial

 Su esperanza es α.
 Su varianza es α2.
 Una propiedad importante es la denominada carencia de memoria, que
podemos definir así: si la variable X mide el tiempo de vida y sigue una
distribución Exponencial, significará que la probabilidad de que siga con
vida dentro de 20 años es la misma para un individuo que a fecha de hoy
tiene 25 años que para otro que tenga 60 años.
 Cuando el número de sucesos por unidad de tiempo sigue una distribución
de Poisson de parámetro λ (proceso de Poisson), el tiempo entre dos
 sucesos consecutivos sigue una distribución Exponencial de parámetro α =
1/λ.

Ejemplo #1
Se sabe que el tiempo de espera una persona que llama a un centro de atención
al público para ser atendido por un asesor es una variable aleatoria exponencial
con μ = 5 minutos. Encuentre la probabilidad de que una persona que llame al
azar en un momento dado tenga que esperar:

a) A lo sumo 5 minutos.
P(X < 5) = F(5) = 1- e-1 = 1 -0.3679 = 0.6321
b) Al menos 10 minutos.
P(X > 10) = 1- F(10) = 1 – [1-e-2] = e-2 = 0.1353
c) Entre 3 y 10 minutos.
P(3 < X < 10) = F(10) – F(3) = [1-e-2] - [1-e-0.6] = e-0.6 - e-2 =
0.4135

Ejemplo #2
Se sabe que el kilometraje, en miles de kilómetros, que un autobús recorre antes
de que se someta a una reparación del motor sigue una distribución exponencial
con μ = 80.

a) Si se tiene una flota de 300 autobuses, ¿cuántos se esperaría que se

sometieran a reparación antes de los 60, 000 Km?

P(X < 60) = F(60) = 1 – e-0.75 = 0.5276. Número esperado =

300(0.5276) = 158

b) ¿Cuál es la probabilidad de que un autobús recorra más de 100,000 Km.

antes de someter el motor a reparación?

P(X >100) = 1 – F(100) = 1 – [1-e-1.25] = e-1.25 = 0.2865