UNIVERSIDAD POLITECNICA SALESIANA

CHRISTIAN CHUMBAY
DANNY SALTO
LUIS ZHAGUI

Distribucin de Poisson
OBJETIVOS

Utilizar la distribucin de Poisson para obtener las probabilidades que ocurren de forma impredecible y
ocasional.
Identificar las propiedades de una distribucin de Poisson.
DISTRIBUCION DE POISSON

Esta distribucin fue descubierta por Simon Denis Poisson (1781-1840) y publicada, junto con su teora
de probabilidades , en 1838.

La distribucin de Poisson es una distribucin de probabilidad de una variable aleatoria discreta, que nos
proporciona la probabilidad de que ocurra un determinado suceso un numero de veces K, en un intervalo
determinado de tiempo, longitud, rea, etc.
LA DISTRIBUCIN DE POISSON

( )
( = )=
!
Donde:
: Promedio de ocurrencias en un intervalo (tiempo, volumen, rea, etc.).
: Es el nmero de ocurrencias.
UTILIDAD
La distribucin de Poisson se utiliza en situaciones donde los sucesos son impredecibles o de ocurrencia
aleatoria, en otras palabras no se sabe el total de posibles resultados.
Es muy til cuando la muestra n es grande y la probabilidad de xitos p es muy pequea.
Se utiliza cuando la probabilidad del evento que nos interesa se distribuye dentro de un segmento n dado
como por ejemplo distancia, rea, volumen o tiempo definido.

EJEMPLOS:
La llegada de un cliente al negocio durante una hora.
Las llamadas telefnicas que se reciben en un da.
Nmero de fallas en la superficie de una cermica rectangular.
Nmero de accidentes de trabajo que ocurren en una fbrica durante una semana.
EJERCICIO 1: En un hospital de una importante ciudad se esta estudiando los nacimientos de bebes
varones. Se sabe que en una semana nacen una media de siete varones. Calcular:
1. Probabilidad de que nazcan 3 varones en una semana.
2. Probabilidad de que nazcan menos de 3 varones a la semana.
( )
( = )=
!
x= nacimiento de un bebe varn
= 7 varones que nacen a la semana.

1. =3 = !
= 0,052
2. <3 = =0 + =1 + =2
( ) ( ) ( )
!
+ !
+ !
= 0,001 + 0,006 + 0,022 = 0,029
 EJERCICIO 2: Un cajero automtico es utilizado cada 20 minutos por 6 personas. Se desea saber cual es
la probabilidad:
1. Que el cajero sea utilizado por 5 personas en 20 minutos.
2. Que el cajero sea utilizado por 10 personas en 20 minutos.
( )
( = )=
!
= 6 personas en 20 minutos.
( )
1. ( = 5) = !
= 0,160

( )
2. ( = 10) = !
= 0,041
 EJERCICIO 3: Una compaa telefnica recibe llamadas a razn de 4 llamadas por minuto. Calcular la
probabilidad de:
1. Recibir 2 llamadas en un minuto.
2. No recibir ninguna llamada en un minuto.
( )
( = )=
!
= 4 llamadas por minuto

1. =2 =
!
= 0.1465

2. =0 = = 0,0183
!
DISTRIBUCIN DE
PROBABILIDAD
CONTINUA
INTEGRANTES:
Juan Delgado
Darwin Duchi
Ismael Duchi
 INTRODUCCION

En la teora de la probabilidad una distribucin de probabilidad se

llama continua si su funcin de distribucin es continua.
Una variable aleatoria continua es una variable aleatoria con un
conjunto de valores posibles (conocido como el rango o respaldo) que
es infinito y no se puede contar. Las probabilidades de variables
aleatorias continuas (X) se definen como el rea por debajo de la
curva de la distribucin.
 En la distribucin de probabilidad
continua existe tres tipos de
distribucin:
- UNIFORME
- NORMAL
- EXPONECIAL
 DISTRIBUCION DE PROBABILIDAD CONTINUA
UNIFORME

Esta se da cuando la variable aleatoria x toma cualquier

valor en un intervalo especfico. La funcin de densidad
de probabilidad que defina la distribucin uniforma la
variable aleatoria
Para (a x b ) en cualquier caso
 DISTRIBUCION DE PROBABILIDAD CONTINUA
NORMAL
Esta es la distribucin de probabilidad mas usada para
describir variables aleatorias continuas, es la distribucion
de probabilidad normal.
 Este tipo de probabilidad posee algunas
caractersticas muy importantes:
- toda la familia de distribuciones normales se
diferencia por medio de dos parmetros: la media
y la desviacin estndar.
- el punto mas alto de una curva normal se
encuentra sobre la media, la cual coincide con la
mediana y la moda.
-la media de esta distribucin puede ser negativa
positiva o cero
 DISTRIBUCION DE PROBABILIDAD CONTINUA
EXPONENCIAL

Se aplica a variables como los tiempos requeridos

para cargar un camin, las llegadas de
automviles a un lavado de carros, su funcin es:
 Ejemplo: el precio medio del litro de gasolina durante el prximo ao se estima que
puede oscilar entre 140 y 160 ptas. Podra ser, por tanto, de 143 ptas., o de 143,4
ptas., o de 143,45 ptas., o de 143,455 ptas, etc. Hay infinitas posibilidades, todas ellas
con la misma probabilidad.

Su funcin de densidad, aquella que nos permite conocer la probabilidad que tiene
cada punto del intervalo, viene definida por:

El valor medio de esta distribucin se calcula:

 El volumen de precipitaciones estimado para el prximo ao en la ciudad de
Sevilla va a oscilar entre 400 y 500 litros por metro cuadrado. Calcular la
funcin de distribucin y la precipitacin media esperada:

Es decir, que el volumen de precipitaciones est entre 400 y 401 litros tiene
un 1% de probabilidades; que est entre 401 y 402 litros, otro 1%, etc.
El valor medio esperado es:
Ejemplo: el salario medio de los empleados de una empresa se distribuye segn una
distribucin normal, con media 5 millones de ptas. y desviacin tpica 1 milln de ptas.
Calcular el porcentaje de empleados con un sueldo inferior a 7 millones de ptas.
 UNIVERSIDAD POLITECNICA
SALESIANA
Tatiana Ortiz
Integrantes Daniel Naranjo
Byron Castillo

Distribucin
Tema Hipogeometrica

Carrera Ingeniera
Elctrica

Profesor Ing. Eduardo Pinos

 Distribucin Hipogeometrica
OBJETIVO GENERAL
Aplicar los conocimientos adquiridos en la comprensin y resolucin de situaciones
matemticas y de la vida diaria en donde sea necesario el uso de las distribuciones
mustrales para variables discretas aplicando la distribucin hipergeomtrica

OBJETIVOS ESPECFICOS
* Identificar las caractersticas de una distribucin hipergeomtrica y diferenciarlas de
una distribucin binomial
* Estimar, hallar e interpretar de manera precisa los datos arrojados al calcular una
distribucin hipergeomtrica
* Analizar, interpretar y solucionar situaciones problemas que requieran el uso de una
distribucin hipergeomtrica
La distribucin HIPERGEOMETRICA es una de las distribuciones de probabilidad
discreta. Se utiliza para calcular la probabilidad de una seleccin aleatoria de un
objeto sin repeticin.
Este modelo presenta similitudes con el Binomial, pero sin la suposicin de
independencia de ste ltimo.

Partimos de un conjunto formado por N individuos divididos en dos categoras

mutuamente excluyentes: A y Ac; de manera que N1 individuos pertenecen a la
categora A y N2 individuos, a la categora Ac. Por tanto, se cumple que
N = N1 + N 2

Si del conjunto anterior extraemos n individuos sin reemplazamiento (n N), la

variable X que representa el nmero k de individuos que pertenecen a la
categora A (de los n extrados) tiene por funcin de densidad:

=

N = Nmero total de poblacin
C = Nmeros de xitos de poblacin
n = Numero de la muestra
x = Numero de xitos dela muestra
 Funcin de permutacin
!
=
! !

Recomendacin

La distribucin HIPERGEOMTRICA es
especial til en todos aquellos casos
en los que se extraigan muestras o se
realizan experiencias repetidas sin
devolucin del elemento extrado o
sin retornar a la situacin
experimental inicial.
CONCLUSIONES

a) Al realizar un experimento con este tipo de distribucin, se esperan dos

tipos de resultados.
b) Las probabilidades asociadas a cada uno de los resultados no son
constantes.
c) Cada ensayo o repeticin del experimento no es independiente de los
dems.
d) El nmero de repeticiones del experimento (n) es constante.
 Desarrollo
Ejemplo 1. De 50 edificios en un parque industrial 12 no cumplen el cdigo elctrico.
Si se seleccionan 10 edificios aleatoriamente. Determine la probabilidad de que:
a) 3 no cumplan el cdigo
b) 4 no cumplan el cdigo

Solucin:
a) N = 50 Total de la poblacin
R = existo de la poblacin
n = 10 muestra
x=3

12 50 12
=3 = 3 10 3
50
10 12! 38! 50!
=3 = . = 0,2703 = 27,03%
3! 9! 7! 3! 10! 40!
b) N = 50 Total de la poblacin
R = existo de la poblacin
n = 10 muestra
x=4

12 50 12
=3 = 4 10 4
50
10

12! 38! 50!

=3 = . = 0,1330 = 13,30%
4! 8! 6! 32! 10! 40!
Ejemplo 2. De un lote de 10 proyectiles, 4 se seleccionan al azar y se disparan. Si el lote
contiene 3 proyectiles defectuosos que no explotarn, cul es la probabilidad de que, a)
los 4 exploten?, b) al menos 2 no exploten?

Solucin:
a) N = 10 proyectiles en total
a = 7 proyectiles que explotan
n = 4 proyectiles seleccionados
x = 0, 1, 2, 3 o 4 proyectiles que explotan = variable que nos define el nmero de
proyectiles que explotan entre la muestra que se dispara

7 10 7
=4 = 4 44 7! 3! 10!
10 =4 = . = 0,1667 = 16,66%
3 4! 3! 0! 3! 3! 7!
b) N = 10 proyectiles en total
a = 3 proyectiles que no explotan
n = 4 proyectiles seleccionados
x = 0, 1, 2 o 3 proyectiles que no explotan

p(al menos 2 no exploten) = p( 2 o ms proyectiles no exploten) = p(x = 2 o

3; n=4)

3 10 3
=2 = 2 42
10
4

3! 7! 10!
=2 = . = 0,30 = 30,0%
2! 1! 2! 5! 4! 6!
Ejemplo 3. a)Cul es la probabilidad de que una mesera se rehse a servir bebidas
alcohlicas nicamente a dos menores de edad si verifica aleatoriamente solo 5
identificaciones de entre 9 estudiantes, de los cuales 4 no tienen la edad suficiente?, b)
Cul es la probabilidad de que como mximo 2 de las identificaciones pertenezcan a
menores de edad?

Solucin:
a) N = 9 total de estudiantes
a = 4 estudiantes menores de edad
n = 5 identificaciones seleccionadas
x = variable que nos define el nmero de identificaciones que pertenecen a personas
menores de edad
x = 0, 1, 2, 3 o 4 identificaciones de personas menores de edad

4 94
=2 = 2 52
9 3! 7! 9!
5 =2 = . = 0,4761 = 47,6%
2! 2! 3! 4! 5! 4!
 b) N = 9 total de estudiantes
a = 4 estudiantes menores de edad
n = 5 identificaciones seleccionadas
x = variable que nos define el nmero de identificaciones que pertenecen a
personas menores de edad
x = 0, 1, 2, 3 o 4 identificaciones de personas menores de edad

4 94 4 94
=0 = 0 50 =1 = 1 51
9 9
5 5

4! 5! 9! 4! 5! 9!
=0 = . = 0,0079 = 0,79% =1 = . = 0,158 = 15,8%
0! 4! 5! 0! 5! 4! 1! 3! 4! 1! 5! 4!

= 0,1,2 = 0,0079 + 0,158 + 0,4761 = 0,642 = 64%

Ejercicio propuesto. 4. Una compaa manufacturera utiliza un esquema para la
aceptacin de los artculos producidos antes de ser embarcados. El plan es de dos etapas.
Se preparan cajas de 25 para embarque y se selecciona una muestra de 3 para verificar si
tienen algn artculo defectuoso. Si se encuentra uno, la caja entera se regresa para
verificarla al 100%. Si no se encuentra ningn artculo defectuoso, la caja se embarca. a)
Cul es la probabilidad de que se embarque una caja que tiene tres artculos
defectuosos?, b)Cul es la probabilidad de que una caja que contiene solo un artculo
defectuoso se regresa para verificacin?
Solucin:
N = 25 total de cajas
a = 3 objetos defectuosos en la caja
n = 3 muestra tomada
x = cuantos se espera encontrar defectuosos
x=1

3 25 3
3! 22! 25!
=1 = 1 31
=1 = . = 0,3013 = 30%
25 1! 2! 2! 20! 3! 22!
3
Probabilidad de embarque
1 - P = 0.6987 = 69.87%

b)
N = 25 total de cajas
a = 1 objetos defectuosos en la caja
n = 3 muestra tomada
x = cuantos se espera encontrar defectuosos
x=1

1 25 1
=1 = 1 31
25
3 1! 24! 25!
=1 = . = 0,12 = 12%
1! 0! 2! 22! 3! 22!
Referencias

RONALD E. WALPOLE, R. H. (2012). Probabilidad y estadstica para ingenieria y ciencias.

Mexico: PEARSON EDUCACION.

Slideshare. (s.f.). Obtenido de distribucion hipogeometrica:

http://es.slideshare.net/alexanderfloresvalencia/distribucion-hipergeometrica-28097904
UNIVERSIDAD POLITECNICA SALESIANA

NOMBRES:
BYRON CALDAS, BORIS CHINCHILIMA, JOHAN PEREZ
MATERIA:
PROBABILIDAD Y ESTADISTICA
Distribucin Binomial

Es una distribucin de probabilidad discreta que cuenta el nmero

de xitos en una secuencia de n ensayos de Bernoulli
independientes entre s, con una probabilidad fija p de ocurrencia
del xito entre los ensayos. Un experimento de Bernoulli se
caracteriza por ser dicotmico, es decir, slo son posibles dos
resultados. A uno de estos denomina xito y tiene una probabilidad
de ocurrencia p y al otro, fracaso, con una probabilidad q= 1 - p
FORMULA:
EJERCICIOS:
Distribucin Multinomial

La distribucin multinomial es similar a la distribucin binomial, con

la diferencia de que en lugar de dos posibles resultados en cada
ensayo, puede haber mltiples resultados
FORMULA:
EJERCICIO:
Un grupo de 12 personas decide reunirse en cierta ciudad. La probabilidad de que una
persona llegue a la ciudad en un avin, coche, tren o autobs es, respectivamente .3,
.4, .1 y .2 Cul es la probabilidad de que de las 12 personas, 3 lleguen en avin, 5 en
coche, 2 en tren y 2 en autobs?

Solucin:
X1=numero de personas que llegan en avin
X2=numero de personas que llegan en coche
X3=numero de personas que llegan en tren
X4=numero de personas que llegan en autobs

Las variables (X1, X2 X 3 X4) tiene distribucin multinomial de parmetros

n=12, p1=.3 p2=.4 p3=.1 p4=.2.

P(X1=3 X2=5 X3=2 X4=2)=

12!/3!5!2!2!= 0.01532805
Distribucin binomial negativa

La distribucin binomial negativa describe el nmero total de ensayos X, para obtener un

nmero especfico de r xitos. Cuando r-1, la binomial negativa se reduce a la distribucin
geomtrica. Dado que, si el r-simo xito ocurre en el ensayo nmero x, debe ser que r-1 xitos
ocurrieron en los primeros x-1 ensayos, y el ltimo ensayo es un xito. Entonces, la distribucin de
probabilidad es el producto de la probabilidad binomial b(r-1;x-1,p) y p.

K=ciertos xitos, o el objetivo de un dicho problema.

r= El nmero de pruebas necesarias para conseguir k.
p= total de xitos de la poblacin. q= total de fracasos en la poblacin.
DISTRIBUCIN GEOMTRICA

La distribucin geomtrica, su desarrollo, la varianza, esperanza, su

funcin caracterstica y su funcin generadora de momentos.
Esta distribucin sirve para calcular la probabilidad de que ocurra
un xito por primera y nica vez en el ltimo ensayo que se realiza
del experimento.
Sea A un suceso de probabilidad P(A)=p, y sea X la variable
aleatoria que expresa el numero de fracasos que tiene lugar en las
repeticiones independientes de pruebas de Benouili, hasta que
ocurre A por primera vez. La variable X toma los valores de
0,1,2,.(numero de fracasos). Decimos que una variable aleatoria X
sigue una distribucin geomtrica de parmetros p si su funcin de
probabilidad es
 DISTRIBUCIN NORMAL Y
APROXIMACIN DE LA DISTRIBUCIN
NORMAL A LA BINOMIAL

INTEGRANTES:
WILSON OCHOA
KARLA SNCHEZ
ANA MALDONADO
 DISTRIBUCIN NORMAL

En estadstica y probabilidad se llama distribucin normal, distribucin de Gauss o distribucin gaussiana, a una de las
distribuciones de probabilidad de variable continua que con ms frecuencia aparece aproximada en fenmenos reales.

La importancia de esta distribucin radica en que permite modelar numerosos fenmenos naturales, sociales y
psicolgicos. Mientras que los mecanismos que subyacen a gran parte de este tipo de fenmenos son
desconocidos, por la enorme cantidad de variables incontrolables que en ellos intervienen, el uso del modelo
normal puede justificarse asumiendo que cada observacin se obtiene como la suma de unas pocas causas
independientes.
 APROXIMACIN DE LA DISTRIBUCIN
NORMAL A LA BINOMIAL

En este caso se estarn calculando probabilidades de experimentos Binomiales de una forma muy
aproximada con la distribucin Normal, esto puede llevarse a cabo si n y p = p(xito) no es muy
cercana a 0 y 1, o cuando n es pequeo y p tiene un valor muy cercano a ; esto es
Se utiliza la aproximacin normal para evaluar probabilidades binomiales siempre
que p no est cercano a 0 o 1. La aproximacin es excelente cuando n es grande y
bastante buena para valores pequeos de n si p est razonablemente cercana a .

Antes de empezar a resolver problemas con la aproximacin Normal, es bueno aclarar que se
estn evaluando probabilidades asociadas a una variable discreta x, con una
distribucin que evala variables de tipo continuo como es la Normal,
Por lo que z sufre un pequeo cambio como se muestra a continuacin:
 Ejercicios:

1. La probabilidad de que un paciente se recupere de una rara

enfermedad de la sangre es de 0.4. Si se sabe que 100 personas
han contrado esta enfermedad, Cul es la probabilidad de que:
a) al menos 30 sobrevivan?, b) ms de 46 sobrevivan?, c) menos
de 50 no sobrevivan?
p( z = -2.14) =0.4838

p(x 30 ) = p(z = -2.14) +0.5 = 0.4838 + 0.5 = 0.9838

b)

p(z = 1.33) = 0.4082

p(x 46) = 0.5 p(z = 1.33) = 0.5 0.4082 = 0.0918

 p( z = -2.14) = 0.4838

p(x < 50) = 0.5 p(z = -2.14) = 0.5 0.4838 = 0.0162

2. Una prueba de opcin mltiple tiene 200 preguntas, cada
una con 4 posibles respuestas, de las cules solo una es la
correcta cul es la probabilidad de que al azar se den de 25
a 30 respuestas correctas para 80 de las 200
preguntas acerca de los cuales el estudiante no tiene
conocimientos?

Solucin:
n = 80
p = p(dar una contestacin correcta) = 0.25
q = p(dar una contestacin incorrecta) = 1 p = 0.75
= np = 80 x 0.25 = 20 preguntas contestadas correctamente
= = . . = . preguntas correctamente.
x = numero de preguntas que son contestadas correctamente = 0, 1, 2, ., 80.
p(z1 = 1.16) = 0.377

p(z2 = 2.71) = 0.4966

p(25 x 30) = p(z2) p(z1) = 0.4966 0.377 = 0.1196

3. Si 35% de los productos manufacturados en cierta lnea de
produccin es defectuoso, cul es la probabilidad de que
entre los siguientes 1000 productos manufacturados en esa
lnea a) menos de 354 productos sean defectuosos?, b) entre
342 y 364 productos sean defectuosos?, c)exactamente 354
productos sean defectuosos?

Solucin:
a)
n = 1000
p = p(un producto sea defectuoso) = 0.35
q = p(p(un producto no sea defectuoso) = 1 p = 0.65
= np = 1000 x 0.35 = 350 productos defectuosos
= = . . = . productos defectuosos.
x = numero de productos defectuosos que se manufacturan en la lnea = 0, 1, 2, ., 1000.
p(z = 0.23) = 0.091

p(x< 354 ) = 0.5 + p(z = 0.23) = 0.5 + 0.091 = 0.5091

b)

p(z1= - 0.56) = 0.2123

p(z2= 0.96) = 0.3315

p(342 x 364) = p(z1) + p(z2) = 0.2123 + 0.3315 = 0.5438

c)

p(z1 = 0.23) = 0.091

p(z2= 0.30) = 0.1179

p(x = 354) = p(z2) - p(z1) = 0.1179 0.091 = 0.0269

Universidad politcnica salesiana

Distribucin Uniforme Discreta

Integrantes:
Oscar lvarez
John vila
Ivn Aguilar
La distribucin uniforme discreta es una distribucin de
probabilidad que asume un nmero finito de valores con
la misma probabilidad.

Donde una variable aleatoria x se distribuye de manera

uniforme a un conjunto de nmeros reales (x1, x2, xn).
Donde
1
= 1, 2, .

En otro caso la funcin f(x)= 0.

En la grafica se muestra como la probabilidad de un evento se distribuye de manera
equitativa en un numero infinito de valores.
Donde n representara de opciones posibles
 Varianza

En teora de probabilidad la varianza o variancia que suele representarse como sigma

al cuadrado ( ^2 )de una variable aleatoria es una mediada de dispersin definida
como la esperanza del cuadrado de la desviacin de dicha variable respecto a su
media.

Esperanza

En estadstica la esperanza matemtica (tambin llamada esperanza,

valor esperado, media poblacional o media) de una variable aleatoria X es el
nmero E(X) que formaliza la idea de valor medio de un fenmeno aleatorio.
De igual manera la esperanza tambin puede ser definida con la letra
Su esperanza esta data por
1
=

Y su varianza por
1
=

Otra forma mas sencilla de calcular la esperanza y la varianza cuando sus

nmeros son consecutivos es :

1
= = 1,2 ,

Siendo en este caso su Esperanza:

+1
=
2
Y su varianza:
1
=
12

Ojo las dos ultimas formulas se aplican siempre y cuando sus nmeros son
consecutivos es decir X =1,2,3,4,5, .. Hasta n nmeros.
CARACTERISTICAS

- En la distribucin de probabilidad uniforme discreta, la variable aleatoria toma

cada uno de sus valores con idntica probabilidad.

- El parmetro de la distribucin de probabilidad uniforme discreta, viene dado por

la inversa de los valores que puede tomar la variable aleatoria.

- La variable aleatoria que describe el numero de caras obtenidas al lanzar dos

monedas legales sigue una probabilidad de distribucin uniforme.

- La media de una variable aleatoria discreta uniforme, f(x;k), siempre coincide con
uno de los valores de la misma observados en el experimento.

- La varianza de una variable aleatoria discreta uniforme, f(x;k), no depende del

numero de valores que pueda tomar la variable.
Es as que la distribucin Uniforme Discreta nos da aplicaciones que se
usan en nuestra sociedad como por ejemplo:

Al lanzar una moneda se tiene dos posibilidades iguales , ya que si sale

cara su probabilidad seria de y si sale sello su probabilidad es de de
igual forma, en este ejemplo se denota como se distribuye la misma
probabilidad para los dos eventos existentes.

EJERCICIO 1
En un colegio se toma un examen para evaluar el conocimiento de sus alumnos el
examen consta de 10 temas de los cuales se sorteara uno de ellos al azar para el
examen. Si un alumno no ha estudiado 5 de los 10 temas, Cul es la probabilidad de que
el alumno sepa el tema elegido al azar para el examen? Hallar la media y varianza.
La probabilidad de salir un tema n es :

1
= =
10

La probabilidad de que le salga un tema estudiado es de:

1 5 1
5 = = = 0.5
10 10 2
Por lo tanto su media y su varianza sern:
+1
=
2

10 + 1
=
2
11
= = 5.5
2
1
=
12
10 1
=
12
33
= = 8.25
4
= 8,25 = 2,87
Para resolver el ejercicio 1 podemos tambin usar otro mtodo aplicando las
formulas:
1
=

1
= (1 + 2 + 3 + 4 + 5 + 6 + 7 + 8 + 9 + 10)
10
11
= = 5,5
2
1
=

1
= ( 1 5,5 + 2 5,5 + 3 5,5 + 4 5,5 + 5 5,5
6 5,5 + 7 5,5 + 8 5,5 + 9 5,5 + 10 5,5 )
= 8,25
= 2,87