Autor: Edgar Roel Acosta Carrillo

Modulo 17 semana 2
17 de junio del 2017
 Modelo: Distribucin de Poisson
Caso 1: En una empresa de alimentos, la media de
accidentes es de 3 por mes. Calcular la probabilidad de:
a) Que no ocurra ningn accidente en un mes.
b) Que como mximo ocurran 2 accidentes en un mes.
c) Que ocurran 30 accidentes en un ao.
d) Que ocurran 8 accidentes en un trimestre.

Caractersticas: Son eventos independientes que ocurren en un modulo

disciplinar determinado o a una velocidad constante en el tiempo.
Aplicaciones: Es usada para representar el numero de eventos de poca
frecuencia que ocurren en el tiempo o en el espacio. La manera de representar la
distribucin de Poisson es la misma que la binominal: por medio de una grafica
de barras donde la altura de las columnas representa la probabilidad asociada a
cada valor de x. presencia de viento, presencia de granizo, ocurrencia de
accidentes, etctera.
Razones: Para este tipo de distribucin es necesario saber el numero promedio
de eventos que ocurren en un intervalos de tiempo o espacio, como en este caso
la probabilidad de accidentes en la empresa de alimentos que nos da el dato los
accidentes en un determinado tiempo
 Caso 1: Modelo de Poisson

2 .2
Formula: P (2)
2!
Media de 3 accidents por mes.
x= variable aleatoria P-2 por mes P 30 / 12 meses P 8/3 meses
2= parametron de la distribucin de Poisson = 3 accidents por mes
. . .
P(2) ! = !
=
= 0.22404 = 2296
. . . . .
P(30/12) .! = .!
= .
= 0.2335 =
23.35%
. . . . .
P(8/3) .! = = = 0.2323 = 23.23%
.! .
 Modelo: Distribucin Normal
Caso 2: Un estudio ha mostrado que en la colonia Barranca
vieja el 60% de los hogares tienen al menos dos
computadoras. Se elige al azar una muestra de 50 hogares en
esa colonia y se pide:
a) Cul es la probabilidad de que al menos 20 de los citados hogares tengan
cuando menos dos computadoras?
b) Cul es la probabilidad de que entre 35 y 40 hogares tengan cuando menos
dos computadoras?

Caractersticas: Este tipo de distribucin es usada para variables aleatorias

continuas. La distribucin normal tiene una grafica en forma de campana
conocida como campana de Gauss.
Aplicaciones: Es sencillo considerar variables discretas como continuas, como
son la Altura o el peso de las personas.
Razones: Cuando se tiene una distribucin continua cada elemento tiene la
misma probabilidad de ocurrencia 0 por lo que al trabajar este tipo de variables
se debe determinar la probabilidad de que se tome un valor dentro de un cierto
intervalos. Si en 60 de cada 100 hogares hay 2 computadoras. Se puede calcular
el porcentaje de probabilidad de los planteamientos en la muestra de 50 hogares
 Caso 2: Modelo Distribucin Normal
La distribucin normal es 1 f(x) = e 2- 12 x = 0 y =1, como distribucin
normal estndar. La distribucin normal tiene una grafica en forma de
campana, conocida como campana de Gauss.
Media = np = 30 Hogares x =
Procentaje
que Varianzas desviacin
50
= n.p a = . . representa
Total de
= 50 * 0.6 a = 50 0.6 0.4 100% 1 1
Hogares 50
20 40 2.5 1.58
= 30 a = 12 = 3.464 30 60 1.67 1.29
35 70 1.25 1.12
Desviacin 3.464 40 80 0.80 0.89

Np = 30 y n(1-p)=20 P(20 < y < 30)

P[Z<(40.5-30) / 12 = P(Z < 2.8867)
[34.5 , 40.5]
P(34.5 , y , 40.5) = P9Y<40.5) P(Y<34.5)+
P[Z,(40.5-30) / 12 ] = P [Z<40.5-30) / 12] =
P(Z<3.0310889) P(Z<1.299038)=
 Modelo: Distribucin binominal
Caso 3: La probabilidad de que un pescador novato, con una
caa de pescar, colecte un pescado es de 0,4. Si lo intenta 5
veces, calcula la probabilidad de que pesque al menos 3 veces.

Caractersticas: Son eventos o experimentos que tienen do resultados;

si o no sano o enfermo, xito o fracaso, etctera.
Aplicaciones: Es la distribucin de probabilidad de la variable aleatoria,
la cual es el numero de xitos al repetir (n0 veces un experimento con
dos resultados posibles, con probabilidad p de obtener xito en cada
experimento, se puede representar en un histograma o grafica de
barras.
Razones: El pescador puede obtener diferentes resultados en cada
evento, puede tener xito en cada evento, o fracasar, cumple con ser
una probabilidad con variable aleatoria de distribucin binominal.
 Caso 3: Modelo: Distribucin binominal

P = de 04,4 (probabilidades de que ocurra)

Q = 0,6(Probabilidades de que no ocurra)
N=5 (total de intentos)
X+3 total de xitos
Probabilidades de 3 xitos es de 35.020%

5 3 53
P = 3
0,4 0,4
5 54321
P = 3
= = 120 = 35.020 %
321321 36!