DISTRIBUCIÓN BINOMIAL

Base: Para conocer la probabilidad de “éxito” es necesario calcular las

posibles combinaciones de la variable, y mutiplicarlas por las probabilidades

de cada suceso:

𝑃 (𝑥)= (■8(𝑛@𝑥))∗𝑃^𝑥∗𝑄^((𝑛−𝑥))
Donde:
𝑃=(𝑋_𝑖=𝐶𝑎𝑠𝑜𝑠 𝐹𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠)/(𝑛=𝑡𝑜𝑡𝑎𝑙 𝑚𝑢𝑒𝑠𝑟𝑎)
P= Probabilidad de Éxito
Q= Probabilidad de Fracaso
n= tamaño de muestra
x= Valor en estudio.

Tabla Probablistica 45.00%

40.00%

X P(Binomial) 35.00%

0 26.21% 30.00% Grafico Distribución Binomial

1 39.32% 25.00%
2 24.58% 20.00%
3 8.19% 15.00%
4 1.54% 10.00%
5 0.15% 5.00%
6 0.01% 0.00%
0 1 2 3 4 5 6
(𝑛−𝑥)) Caso: Se ha determinado previamente que la probabilidad de que un cliente
potencial elegido al azar realice una compra es de 0.20. Si un vendedor
visita a 6 clientes potenciales, calcular la probabilidad de que:
a) Ninguno de los clientes haga una compra,
30.00%
𝑃 (𝑥=0)= (■8(6@0))∗ 〖 0.20 〗 ^0∗ 〖 0.80 〗 ^((6−0))
P= 0.2
Q= 0.8 25.00%
n= 6
20.00%
x= 0 26.21%
15.00%
b) Exactamente cuatro clientes realicen una compra,
10.00%
𝑃 (𝑥=4)= (■8(6@4))∗ 〖 0.20 〗 ^4∗ 〖 0.80 〗 ^((6−4))
P= 0.2
5.00%
n Binomial Q= 0.8
n= 6
0.00%
x= 4 1.54% 0 1

c) Cuando más, tres prospectos realicen una compra, notar ahora P(x ≤3),
o sea que se pueden hacer 0, 1, 2 o 3 ventas. Aquí necesitamos sumar
5 6
las probabilidades de cada caso válido
: P(x ≤3)x = 0, 1, 2 y 3; n = 6, p = 0.2, ( 3 ) 0.983 q = 1 − p = 1 − 0.2 = 0.8
𝑃 (𝑥=0)= (■8(6@0))∗ 〖 0.20 〗 ^0∗ 〖 0.80 〗 ^((6−0) )=
P= 0.2
𝑃 (𝑥=1)=
Q= 0.8 (■8(6@1))∗ 〖 0.20 〗 ^1∗ 〖 0.80 〗 ^((6−1) )=
n= 6
𝑃 (𝑥=2)= (■8(6@2))∗ 〖 0.20 〗 ^2∗ 〖 0.80 〗 ^((6−2) )=
x= 1
x=(𝑥=3)=
𝑃 2 (■8(6@3))∗ 〖 0.20 〗 ^3∗ 〖 0.80 〗 ^((6−3) )=
x= 3
 Probabilidad
<=19 años 2 13.333%
19-20 años 6 40.000%
>20 años 7 46.667%

Total 15
Tabla de distribución

P= 0.2 X Probl X
Q=Probl
0.8 X 0 2.82%
30.00% n= 6 1 12.11%
((6−0)) x= 0 2 23.35%
25.00% 3 26.68%
26.21% 4 20.01%
20.00%
5 10.29%
6 3.68%
15.00%
7 0.90%
10.00% 8 0.14%
((6−4)) 9 0.01%
5.00%
10 0.00%
0.00%
0 1 2 3 4 5 6 7 8 9 10
p= 0.3
q= 0.7
n= 10
DISTRIBUCION DE POISSON
𝑃(𝑋)=(𝜖^(−𝜆)∗𝜆^𝑋
BASE:
El número medio (promedio) de eventos en el espacio temporal o
región específica de interés, por lo general esta media se representa por la lambda griega (λ)

CASO:
Supóngase que estamos investigando la seguridad de un crucero muy peligroso.
Los archivos de la policía indican una media de cinco accidentes por mes en él. El número de
accidentes está distribuido conforme a la distribución de Poisson, y la división de seguridad
en carreteras quiere calcular la probabilidad de exactamente 0,1,2,3 y 4 accidentes en un mes determinado.

𝑃(𝑋=0)=(𝜖^(−5)∗5^0)/0! Lambda= 5 x=1

0.6738%
x= 0 x=2
x=3
CASO 2: x=4
Se sabe que 1% de los artículos de un gran embarque de
transistores procedente de un proveedor son defectuosos n= 30
. Si se selecciona aleatoriamente una muestra de 30 transistores, p= 0.01
la probabilidad de que dos o más de ellos sean defectuosos.
lambda= 0.3
X P(poison)
0 0.7408182207
1 0.2222454662
2 0.0333368199
3 0.003333682
4 0.0002500261
5 1.5E-05
6 7.5007845E-07
7 3.2146219E-08
8 1.2054832E-09
9 4.0182774E-11
10 1.2054832E-12
11 3.2876815E-14
12 8.2192038E-16 0.8

13 1.8967393E-17 0.7 Chart Title

14 4.0644414E-19 0.6
15 8.1288829E-21
0.5
16 1.5241655E-22
17 2.6897039E-24 0.4
18 4.4828398E-26 0.3
19 7.0781681E-28
0.2

0.1

0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
 0.4

0.3

0.2
20 1.0617252E-29
21 1.5167503E-31 0.1
22 2.0682959E-33 0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
23 2.6977772E-35
24 3.3722215E-37
25 4.0466659E-39
26 4.6692298E-41
27 5.1880331E-43
28 5.5586069E-45
29 5.750283E-47
30 5.750283E-49
^(−𝜆)∗𝜆^𝑋)/𝑋!
NOTA:
SIE L TAMAÑO DE MUESTRA ES GRANDE APLICAR POISSON
SI LA PROBABILIDAD ES PEQUEÑA <0,05 APLICAR POISSON
SI TENEMOS n*p=λ (lambda)

eterminado.

lambda= 5 0.00673795
x= 0

1 0.03368973
2 0.08422434
3 0.1403739
4 0.17546737
5 0.17546737

Chart Title

8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30