INTEGRANTES:

Vitora Maryury CI: 17.038.261

Riveros Vanessa CI: 15.407.163
Santos Yaritza CI: 13.205.694
Republica Bolivariana de Venezuela
Ministerio del Poder Popular para la Educacin Superior
PNFI Informtica
Extensin Trujillo Estado Trujillo
Es una distribucin de probabilidad discreta que mide el numero de
xitos en una secuencia de n ensayos, independientes de Bernoulli el
cual se caracteriza por ser dicotmico, esto es que solo son posibles dos
resultados a una de estas se les denomina xito y tiene una probabilidad
de ocurrencia p y al otro fracaso con una probabilidad de q= 1 p

DISTRIBUCION BINOMIAL
P = xito Q= 1-P Fracaso
Para identificar un proceso Bernoulli en una serie de pruebas
repetidas, se deben verificar tres condiciones:

Resultados dicotmicos: Los resultados de cada prueba se pueden
clasificar en "xito" si verifican cierta condicin, o "fracaso" en el
caso contrario.

Independencia de las pruebas: El resultado de una prueba
cualquiera es independiente del resultado obtenido en la prueba
anterior, y no incide en el resultado de la prueba siguiente.


En general, si se tienen n ensayos Bernoulli con probabilidad de
xito p y de fracaso q, entonces la distribucin de probabilidad que la
modela es la distribucin de probabilidad binomial y su regla de
correspondencia es:
Donde:
P(X)= es la probabilidad de ocurrencia del evento
p = es la probabilidad de xito del evento
q = es la probabilidad de fracaso del evento y se define como
q = 1 p
X = ocurrencia del evento o xitos deseados
n = nmero de intentos
Estabilidad de las pruebas: La probabilidad p de obtener un
resultado considerado como un xito se mantiene constante a
lo largo de toda la serie de pruebas.

Para representar que una variable aleatoria x sigue una
distribucin binomial de parmetros n , p se escribe
Donde
Siendo
las combinaciones de n en x ( n elementos tomados de x en x )
Ejemplo de Distribucin Binomial
Calcular la probabilidad de que en una familia que tiene cuatro
hijos, tres de ellos sean varones.
Datos:
Suceso A1 (xito) tener un varn p (A1)=0.5 p=0,5
Suceso A2 tener una hembra p (A2) =0.5 q=0,5
n= 4 (hijos)
Probabilidad de tener tres hijos varones x=3 k = 3

P (x=k) = n p
k
. q
n-k

k k=3 n=4 p=0,5 q= 0,5

P = (X =3 ) = 4 . (0,5)
3
. (0,5)
4-3

3
n
k = n ! = 4 ! = 4.3! = 4.3! = 4
k! (n-k)! 3! (4-3)! 3!.1! 3!



P (x=3) = 4 . (0,5)
3.
(0,5)
4-3
= p (x=3) = 4.(0,5)
3
. (0,5)
1
= 0,25
3



DISTRIBUCION DE POISSON
Es una distribucion de probabilidad discreta que expresa, a partir
de una frecuencia de ocurrencias media, la probabilidad que
ocurra un determinado numero de eventos durante cierto periodo
de tiempo.
Para identificar un proceso Poisson en una serie de
pruebas repetidas, se
deben verificar tres condiciones:

Sucesos puntuales: Los sucesos ocurren dentro de un
continuo (espacio o tiempo) y ocupan una parte infinitesimal
del mismo. Es decir, en el espacio un suceso es puntual y en
el tiempo es instantneo.

Sucesos independientes: La ocurrencia de un suceso en un
Lugar del continuo no condiciona la ocurrencia del anterior (o
del siguiente) en otra parte del mismo.
Probabilidad constante: La probabilidad de ocurrencia de un
suceso en un lugar del continuo es la misma en todo el punto del
mismo
Cuya Funcin es
k es el nmero de ocurrencias del evento o fenmeno (la
funcin nos da la probabilidad de que el evento suceda
precisamente k veces).

es un parmetro positivo que representa el nmero de veces
que se espera que ocurra el fenmeno durante un intervalo
dado.

e = 2.71828 e es la base de los logaritmos naturales
Ejemplo de Distribucin de Poisson
Si un banco recibe en promedio 6 cheques sin fondo por da,
cules son las probabilidades de que reciba, a) cuatro cheques sin fondo en
un da dado, b) 10 cheques sin fondos en cualquiera de dos das consecutivos?
a) x = variable que nos define el nmero de cheques sin fondo que llegan al
banco en un da cualquiera = 0, 1, 2, 3, ....., etc, etc.

Datos:
a)
x = 4
= 6
e= 2.71828

(6)
4 .
(2.718 28)
-6
= (1296) . (0,00248 )
4! 4.3.2.1


= ( 1296) .(0,00248) = 0,13392
24








b) x= variable que nos define el nmero de cheques sin fondo que llegan al
banco en dos das consecutivos = 0, 1, 2, 3, ......, etc., etc.
= 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos
das consecutivos
Nota: siempre debe de estar en funcin de x siempre o dicho de otra forma,
debe hablar de lo mismo que x.

Datos:
X= 10
= 6.2=12
e= 2.71828


=



= (0,000000006191) . (0.000006151) = 0,00000000000003808 = 0,104953
10.9.8.7.6.5.4.3.2.1 ! 3628800
DISTRIBUCION NORMAL
La distribucin normal es tambin un caso particular de probabilidad de
variable aleatoria contnua, fue reconocida por primera vez por el
francs Abraham de Moivre (1667-1754). Posteriormente, Carl Friedrich
Gauss (1777-1855) elabor desarrollos ms profundos y formul la
ecuacin de la curva; de ah que tambin se le conozca, ms
comnmente, como la "campana de Gauss". La distribucin de una
variable normal est completamente determinada por dos parmetros,
su media () y su desviacin estndar (). Con esta notacin,
la densidad de la normal viene dada por la ecuacin:

= el promedio de los datos
= el promedio de cuanto se
desvian los datos con respecto
a la media
Que determina la curva en forma de campana:
Existen dos razones bsicas por las cuales la distribucin normal ocupa un lugar
tan prominente en la estadstica:
1. Tiene algunas propiedades que la hacen aplicable a un gran nmero de
situaciones en la que es necesario hacer inferencias mediante la toma de
muestras.
2. La distribucin normal casi se ajusta a las distribuciones de frecuencias
reales observadas en muchos fenmenos, incluyendo caractersticas
humanas, resultados de procesos fsicos y muchas otras medidas
de inters para los administradores, tanto en el sector pblico como en
el privado.

Propiedad:
No importa cules sean los valores de y para una distribucin
de probabilidad normal, el rea total bajo la curva siempre es 1, de manera
que podemos pensar en reas bajo la curva como si fueran probabilidades.

Para determinar cual es el valor del nmero de desviaciones
estndar que hay desde x a la media de la distribucin se aplica la
siguiente frmula:

x
z
En la que:
x = valor de la variable aleatoria de inters.
= media de la distribucin de la variable aleatoria.
= desviacin estndar de la distribucin.
z = nmero de desviaciones estndar que hay desde x a la
media de la distribucin.


EJEMPLO DE DISTRIBUCION NORMAL
La jornada laboral promedio de un trabajador de la fabrica de
chocolates es de 40 horas por semana. Una de la polticas de
la empresa, consiste en que si un empleado cumple con 45
horas o mas se le otorga un bono Cuntos empleados
recibirn el bono si se escogen 100 trabajadores al azar, con
una desviacin estndar de 5.5 horas?
1.- Obtener el valor de Z:

x
z
5 . 5
40 45
z
91 , 0 z
2.- Luego buscamos en la tabla el valor de
z=0.91
8186 . 0 91 . o z
45 x P
Respuesta:
Slo 18 de cada 100
Trabajadores recibirn el
bono
1814 , 0 8186 , 0 1 91 , 0 1 p p