Distribución Binomial

 Marco Teórico

La distribución binomial es típica de las variables que proceden de un experimento que cumple
las siguientes condiciones:

1) El experimento está compuesto de n pruebas iguales, siendo n un número natural fijo.

2) Cada prueba resulta en un suceso que cumple las propiedades de la variable binómica o de
Bernouilli, es decir, sólo existen dos posibles resultados, mutuamente excluyentes, que se
denominan generalmente como éxito y fracaso.

3) La probabilidad del ‚éxito (o del fracaso) es constante en todas las pruebas. P(éxito) = p ;
P(fracaso) = 1 - p = q

4) Las pruebas son estadísticamente independientes,

En estas condiciones, la variable aleatoria X que cuenta el número de ‚éxitos en las n

pruebas se llama variable binomial. Evidentemente, el espacio muestral estar compuesto por los
números enteros del 0 al n. Se suele decir que una variable binómica cuenta objetos de un tipo
determinado en un muestreo de n elementos con reemplazamiento.

La función de probabilidad de la variable binomial se representa como b(x,n,p) siendo n el

número de pruebas y p la probabilidad del ‚éxito. n y p son los parámetros de la distribución

 Marco Practico

Ejemplo 1.
 1
Generar números si tenemos X  B(7, )
3

 n 
  0,1,....n
P( x)   p  p x q n.1
0 e.o.c

Solución

Realizamos los cálculos correspondientes:

 7! 
P(0)   * 0.330 * 0.67 7   0.061
 0!7! 
 7! 
P(1)   * 0.331 * 0.67 6   0.21
 1!6! 
 7! 
P(2)   * 0.332 * 0.67 5   0.31
 2!5! 
 7! 
P(3)   * 0.333 * 0.67 4   0.25
 3!4! 
 7! 
P(4)   * 0.334 * 0.67 3   0.12
 4!3! 
 7! 
P(5)   * 0.33 5 * 0.67 2   0.037
 5!2! 
 7! 
P(6)   * 0.336 * 0.671   0.006
 6!1! 
 7! 
P (7)   * 0.33 7 * 0.67 0   0.00043
 0!7! 

Ponemos los resultados en la siguiente tabla:

X P(x) F(x)
0 0.06 0.06
1 0.21 0.27
2 0.31 0.58
3 0.25 0.83
4 0.12 0.96
5 0.04 0.99
6 0.006 0.999
7 0.00043 1
Total 1

Y la función seria la siguiente:

 x  0.061
0
1 0.061  x  0.27
 0.27  x  0.58
2
1  0.58  x  0.83
X  F (r )  3
4 0.83  x  0.96
 0.96  x  0.99
5
6 0.99  x  0.999

0.999  x  1

Código en R software
> ##DISTRIBUCION BINOMIAL
>
> X<- c(0,1,2,3,4,5,6,7)
> a<-dbinom(0, size=7, prob=0.33)
> b<-dbinom(1, size=7, prob=0.33)
> h<-dbinom(2, size=7, prob=0.33)
> d<-dbinom(3, size=7, prob=0.33)
> e<-dbinom(4, size=7, prob=0.33)
> f<-dbinom(5, size=7, prob=0.33)
> g<-dbinom(6, size=7, prob=0.33)
>i<-dbinom(7, size=7, prob=0.33)
> P<-c(a,b,h,d,e,f,g,i)
> sum1<-a+b
> sum2<-sum1+h
> sum3<-sum2+d
> sum4<-sum3+e
> sum5<-sum4+f
> sum6<-sum5+g
> suma7<-sum6+i
>
> F<-c(a,sum1,sum2,sum3,sum4,sum5,sum6,suma7)
>
>tabla<-cbind(X,P,F)
> View(tabla)
for(m in 1:7){
z <- (rbinom(20000,size=m,prob=0.33)-m*0.33)/sqrt(m*0.4*0.67)
qqnorm(z,ylim=c(-4,4),main=paste("QQ-plot,m=",m))
qqline(z)
}

> x1 <- 0:7

> y<- dbinom(x1, 7, 0.33)
>y
[1] 0.0606071161 0.2089588628 0.3087601107 0.2534597924 0.1248384052
[6] 0.0368925436 0.0060569848 0.0004261844
>df<- data.frame(x = x1 )
>
> plot1 <- ggplot(df, aes(x = x, y = y)) + geom_bar(stat = "identity", col = "black", fill = "white") +
+ scale_y_continuous(expand = c(0.01, 0)) + xlab("x") + ylab("Density") +
+ labs(title = "dbinom(x, 7, 0.33)") + theme_bw(16, "serif") +
+ theme(plot.title = element_text(size = rel(1.2), vjust = 1.5))
>
>print(plot1)