SlideShare una empresa de Scribd logo
1 de 20
Universidad Tecnológica
         de Torreón.


Ejemplos de las diferentes distribuciones
de probabilidad.



                           Lizbeth Martínez
                                         2A
EJEMPLO BINOMIAL.
Ejemplo 1.-Si un banco recibe en promedio 6 cheques sin fondo
                 por día, ¿ Cuales son las probabilidades reciba,
                      b)Cuatro cheque sin fondo en un día dado,
     c)B)reciba 10 cheques sin fondo en cualquiera de dos días
                                                    consecutivos

                        Variable discreta= cantidad de personas
                                   Intervalo continuo= una hora
                                                        Formula
   P(x): Probabilidad de que ocurran x éxitos

    : Número medio de sucesos esperados
  por unidad de tiempo.
 e: es la base de logaritmo natural cuyo valor
  es 2.718
 X: es la variable que nos denota el número
  de éxitos que se desea que ocurran
 A) x= Variable que nos define el número de
  cheques sin fondo que llega al banco en un día
  cualquiera;
 El primer paso es extraer los datos
 Tenemos que         o el promedio es igual a 6
  cheques sin fondo por día
 e= 2.718
 x= 4 por que se pide la probabilidad de que
  lleguen cuatro cheques al día
Reemplazar valores en las formulas
           =6
   e= 2.718
   X= 4
    P(x=4,   = 6) =(6)^4(2.718)^-6
                          4!

                          =(1296)(0,00248)
                                 24
                             =o,13192
       Es la probabilidad que representa de que lleguen cuatro
                        cheques sin fondo al día
   B)
 X= es la variable que nos define el número de cheques sin fondo que llegan en dos
  días consecutivos
        =6x2= 12 Cheques sin fondo en promedio que llegan al banco en dos días
  consecutivos

                                                          Lambda por t comprende
                                              al promedio del cheque a los dos días


 DATOS
     = 12 Cheques sin fondo por día

 e= 2.718
 X=10
 P(x=10,        =12 )= (129^10(2.718)^-12
                              10!
   =(6,191736*10^10)(0,000006151)
             3628800
   =0,104953 es la es la probalidad de que lleguen 10 cheques sin fondo en dos
    días consecutivos
EJEMPLO DE NORMAL:

       Una variable aleatoria continua, X, sigue
    una distribución normal de media μ y desviación
   típica σ, y se designa por N(μ , σ ), si se cumplen las
                  siguientes condiciones:
  1. La variable puede tomar cualquier valor: (-∞, +∞)
2. La función de densidad, es la expresión en términos
      de ecuación matemática de la curva de Gauss:
   Curva de la distribución normal




    El campo de existencia es cualquier valor real, es decir, (-∞,
                                +∞).
               Es simétrica respecto a la media µ.
                 Tiene un máximo en la media µ.
         Crece hasta la media µ y decrece a partir de ella.
     En los puntos µ − σ y µ + σ presenta puntos de inflexión.
          El eje de abscisas es una asíntota de la curva.
El área del recinto determinado por la función y el eje
            de abscisas es igual a la unidad.
 Al ser simétrica respecto al eje que pasa por x = µ,
 deja un área igual a 0.5 a la izquierda y otra igual a
                     0.5 a la derecha.
La probabilidad equivale al área encerrada bajo la
                           curva.
        p(μ - σ < X ≤ μ + σ) = 0.6826 = 68.26 %
        p(μ - 2σ < X ≤ μ + 2σ) = 0.954 = 95.4 %
        p(μ - 3σ < X ≤ μ + 3σ) = 0.997 = 99.7 %
Formula
Probabilidad
EJEMPLO DE T DE STUDENT:

Un fabricante de focos afirma que su
 producto durará un promedio de 500
horas de trabajo. Para conservar este
  promedio esta persona verifica 25
     focos cada mes. Si el valor y
 calculado cae entre –t 0.05 y t 0.05,
 él se encuentra satisfecho con esta
afirmación. ¿Qué conclusión deberá él
   sacar de una muestra de 25 focos
          cuya duración fue?:
AQUÍ SE ENCUENTRAN LAS MUESTRAS QUE
   SE TOMARON PARA RESOLLVER EL
             PROBLEMA.




   520   521   511   513   510   µ=500 h
   513   522   500   521   495    n=25
   496   488   500   502   512   Nc=90%
   510   510   475   505   521   X=505.36
   506   503   487   493   500   S=12.07
SOLUCION


 Para poder resolver el problema lo que se tendrá que hacer será lo
  siguiente se aplicara una formula la cual tendremos que desarrollar
  con los datos con los que contamos.
 Tendremos que sustituir los datos


   t= x -μ
    SI n                             α = 1- Nc = 10%
 v = n-1 = 24
 t = 2.22
Procedimiento:se demostrara la forma en que
          se sustituiran los datos.



   VALOR DE LOS DATOS..          APLICACION DE LA
    FORMULA



   µ=500 h                  t=505.36-500        t=
    2.22
   n=25                        12.07       25

 Nc=90%                   v = 25 -1 = 24
 X=505.36                     α = 1- 90% = 10%
Enseguida se muestra la distribución
 del problema según el grafico sig.

Más contenido relacionado

La actualidad más candente (17)

Ejemplos lm
Ejemplos lmEjemplos lm
Ejemplos lm
 
Ejemplos explicados
Ejemplos explicadosEjemplos explicados
Ejemplos explicados
 
Ejemplos de distribuciones
Ejemplos de distribucionesEjemplos de distribuciones
Ejemplos de distribuciones
 
Ecuaciones cuadrática
Ecuaciones cuadráticaEcuaciones cuadrática
Ecuaciones cuadrática
 
Alinaa 1
Alinaa 1Alinaa 1
Alinaa 1
 
Distribuciones
DistribucionesDistribuciones
Distribuciones
 
Ejercicios y-problemas-de-ecuaciones-y-sistemas-3c2ba
Ejercicios y-problemas-de-ecuaciones-y-sistemas-3c2baEjercicios y-problemas-de-ecuaciones-y-sistemas-3c2ba
Ejercicios y-problemas-de-ecuaciones-y-sistemas-3c2ba
 
Multiplicacion
MultiplicacionMultiplicacion
Multiplicacion
 
Fernando galaviz romero analisis de datos experimentales. tarea#1
Fernando galaviz romero analisis de datos experimentales. tarea#1Fernando galaviz romero analisis de datos experimentales. tarea#1
Fernando galaviz romero analisis de datos experimentales. tarea#1
 
Taller de repaso bimestral
Taller de repaso bimestralTaller de repaso bimestral
Taller de repaso bimestral
 
Regresion linealr
Regresion linealrRegresion linealr
Regresion linealr
 
Problema 14.3
Problema 14.3Problema 14.3
Problema 14.3
 
integrales resueltas
integrales resueltasintegrales resueltas
integrales resueltas
 
Polinomios blog01bis
Polinomios blog01bisPolinomios blog01bis
Polinomios blog01bis
 
Programación no lineal
Programación  no lineal Programación  no lineal
Programación no lineal
 
Sistema
SistemaSistema
Sistema
 
Resolucion de cuadraticas
Resolucion de cuadraticasResolucion de cuadraticas
Resolucion de cuadraticas
 

Similar a Lizejemplos2a (20)

Ejemplos explicados
Ejemplos explicadosEjemplos explicados
Ejemplos explicados
 
Un ejemplo explicado de las distribuciones de probabilidad.
Un ejemplo explicado de las distribuciones de probabilidad.Un ejemplo explicado de las distribuciones de probabilidad.
Un ejemplo explicado de las distribuciones de probabilidad.
 
Bernoulli explicado,poisson, distribución normal,
Bernoulli  explicado,poisson, distribución normal, Bernoulli  explicado,poisson, distribución normal,
Bernoulli explicado,poisson, distribución normal,
 
Un ejemplo explicado de las distribuciones de probabilidad.
Un ejemplo explicado de las distribuciones de probabilidad.Un ejemplo explicado de las distribuciones de probabilidad.
Un ejemplo explicado de las distribuciones de probabilidad.
 
Ejemplos tipos de probabilidad
Ejemplos tipos de probabilidadEjemplos tipos de probabilidad
Ejemplos tipos de probabilidad
 
Ejemplos explicados
Ejemplos explicadosEjemplos explicados
Ejemplos explicados
 
Alinaa 1
Alinaa 1Alinaa 1
Alinaa 1
 
Ejemplos Explicados
Ejemplos Explicados Ejemplos Explicados
Ejemplos Explicados
 
Ejemplos sencillos
Ejemplos sencillosEjemplos sencillos
Ejemplos sencillos
 
Ejemplos de distribuciones 4
Ejemplos de distribuciones 4Ejemplos de distribuciones 4
Ejemplos de distribuciones 4
 
Distribuciónes
DistribuciónesDistribuciónes
Distribuciónes
 
Distribucion de probabilidad binomal
Distribucion de probabilidad binomalDistribucion de probabilidad binomal
Distribucion de probabilidad binomal
 
SESION 5.- ECUACIONES LINEALES.ppt
SESION 5.- ECUACIONES LINEALES.pptSESION 5.- ECUACIONES LINEALES.ppt
SESION 5.- ECUACIONES LINEALES.ppt
 
Ejemplos de distribuciones
Ejemplos de distribucionesEjemplos de distribuciones
Ejemplos de distribuciones
 
probabilidad
probabilidad probabilidad
probabilidad
 
Trabajo 3
Trabajo 3Trabajo 3
Trabajo 3
 
Trabajo 3
Trabajo 3Trabajo 3
Trabajo 3
 
Trabajo 3
Trabajo 3Trabajo 3
Trabajo 3
 
Trabajo 3
Trabajo 3Trabajo 3
Trabajo 3
 
Guia5tobimestre tercergrado
Guia5tobimestre tercergradoGuia5tobimestre tercergrado
Guia5tobimestre tercergrado
 

Más de LMartiinez

Problemas inventados.
Problemas inventados.Problemas inventados.
Problemas inventados.
LMartiinez
 
Diagrama de ishikawa diagrama de pareto
Diagrama de ishikawa diagrama de paretoDiagrama de ishikawa diagrama de pareto
Diagrama de ishikawa diagrama de pareto
LMartiinez
 
Histograma inventado por número de lista
Histograma inventado por número de listaHistograma inventado por número de lista
Histograma inventado por número de lista
LMartiinez
 
Listado de palabras en inglés
Listado de palabras en inglésListado de palabras en inglés
Listado de palabras en inglés
LMartiinez
 
Interpretaciones carolin
Interpretaciones carolinInterpretaciones carolin
Interpretaciones carolin
LMartiinez
 
Reportelizbeth
ReportelizbethReportelizbeth
Reportelizbeth
LMartiinez
 
Intervalosdeconfianza
IntervalosdeconfianzaIntervalosdeconfianza
Intervalosdeconfianza
LMartiinez
 
Distribuciones2 de probabilidad.lm
Distribuciones2 de probabilidad.lmDistribuciones2 de probabilidad.lm
Distribuciones2 de probabilidad.lm
LMartiinez
 
Distribuciones de probabilidad.lm
Distribuciones de probabilidad.lmDistribuciones de probabilidad.lm
Distribuciones de probabilidad.lm
LMartiinez
 

Más de LMartiinez (20)

Problemas inventados.
Problemas inventados.Problemas inventados.
Problemas inventados.
 
La maquila
La maquilaLa maquila
La maquila
 
La maquila
La maquilaLa maquila
La maquila
 
La maquila
La maquilaLa maquila
La maquila
 
Diagrama de ishikawa diagrama de pareto
Diagrama de ishikawa diagrama de paretoDiagrama de ishikawa diagrama de pareto
Diagrama de ishikawa diagrama de pareto
 
Ensayo m.
Ensayo m.Ensayo m.
Ensayo m.
 
Histograma inventado por número de lista
Histograma inventado por número de listaHistograma inventado por número de lista
Histograma inventado por número de lista
 
Cap del pro.
Cap del pro.Cap del pro.
Cap del pro.
 
Listado de palabras en inglés
Listado de palabras en inglésListado de palabras en inglés
Listado de palabras en inglés
 
Interpretaciones carolin
Interpretaciones carolinInterpretaciones carolin
Interpretaciones carolin
 
Reportelizbeth
ReportelizbethReportelizbeth
Reportelizbeth
 
Trabajo 7 hb
Trabajo 7 hbTrabajo 7 hb
Trabajo 7 hb
 
Respuesta.
Respuesta.Respuesta.
Respuesta.
 
Intervalosdeconfianza
IntervalosdeconfianzaIntervalosdeconfianza
Intervalosdeconfianza
 
18abril12
18abril1218abril12
18abril12
 
18abril2012
18abril201218abril2012
18abril2012
 
Distribuciones2 de probabilidad.lm
Distribuciones2 de probabilidad.lmDistribuciones2 de probabilidad.lm
Distribuciones2 de probabilidad.lm
 
Ejebn
EjebnEjebn
Ejebn
 
Ejebn
EjebnEjebn
Ejebn
 
Distribuciones de probabilidad.lm
Distribuciones de probabilidad.lmDistribuciones de probabilidad.lm
Distribuciones de probabilidad.lm
 

Lizejemplos2a

  • 1. Universidad Tecnológica de Torreón. Ejemplos de las diferentes distribuciones de probabilidad. Lizbeth Martínez 2A
  • 2.
  • 4.
  • 5. Ejemplo 1.-Si un banco recibe en promedio 6 cheques sin fondo por día, ¿ Cuales son las probabilidades reciba, b)Cuatro cheque sin fondo en un día dado, c)B)reciba 10 cheques sin fondo en cualquiera de dos días consecutivos Variable discreta= cantidad de personas Intervalo continuo= una hora Formula
  • 6. P(x): Probabilidad de que ocurran x éxitos  : Número medio de sucesos esperados por unidad de tiempo.  e: es la base de logaritmo natural cuyo valor es 2.718  X: es la variable que nos denota el número de éxitos que se desea que ocurran
  • 7.  A) x= Variable que nos define el número de cheques sin fondo que llega al banco en un día cualquiera;  El primer paso es extraer los datos  Tenemos que o el promedio es igual a 6 cheques sin fondo por día  e= 2.718  x= 4 por que se pide la probabilidad de que lleguen cuatro cheques al día
  • 8. Reemplazar valores en las formulas  =6  e= 2.718  X= 4  P(x=4, = 6) =(6)^4(2.718)^-6  4!  =(1296)(0,00248)  24  =o,13192  Es la probabilidad que representa de que lleguen cuatro cheques sin fondo al día
  • 9. B)  X= es la variable que nos define el número de cheques sin fondo que llegan en dos días consecutivos  =6x2= 12 Cheques sin fondo en promedio que llegan al banco en dos días consecutivos  Lambda por t comprende  al promedio del cheque a los dos días  DATOS  = 12 Cheques sin fondo por día  e= 2.718  X=10  P(x=10, =12 )= (129^10(2.718)^-12  10!  =(6,191736*10^10)(0,000006151)  3628800  =0,104953 es la es la probalidad de que lleguen 10 cheques sin fondo en dos días consecutivos
  • 10. EJEMPLO DE NORMAL: Una variable aleatoria continua, X, sigue una distribución normal de media μ y desviación típica σ, y se designa por N(μ , σ ), si se cumplen las siguientes condiciones: 1. La variable puede tomar cualquier valor: (-∞, +∞) 2. La función de densidad, es la expresión en términos de ecuación matemática de la curva de Gauss:
  • 11. Curva de la distribución normal  El campo de existencia es cualquier valor real, es decir, (-∞, +∞).  Es simétrica respecto a la media µ.  Tiene un máximo en la media µ.  Crece hasta la media µ y decrece a partir de ella.  En los puntos µ − σ y µ + σ presenta puntos de inflexión.  El eje de abscisas es una asíntota de la curva.
  • 12. El área del recinto determinado por la función y el eje de abscisas es igual a la unidad. Al ser simétrica respecto al eje que pasa por x = µ, deja un área igual a 0.5 a la izquierda y otra igual a 0.5 a la derecha. La probabilidad equivale al área encerrada bajo la curva. p(μ - σ < X ≤ μ + σ) = 0.6826 = 68.26 % p(μ - 2σ < X ≤ μ + 2σ) = 0.954 = 95.4 % p(μ - 3σ < X ≤ μ + 3σ) = 0.997 = 99.7 %
  • 13.
  • 16. EJEMPLO DE T DE STUDENT: Un fabricante de focos afirma que su producto durará un promedio de 500 horas de trabajo. Para conservar este promedio esta persona verifica 25 focos cada mes. Si el valor y calculado cae entre –t 0.05 y t 0.05, él se encuentra satisfecho con esta afirmación. ¿Qué conclusión deberá él sacar de una muestra de 25 focos cuya duración fue?:
  • 17. AQUÍ SE ENCUENTRAN LAS MUESTRAS QUE SE TOMARON PARA RESOLLVER EL PROBLEMA. 520 521 511 513 510 µ=500 h 513 522 500 521 495 n=25 496 488 500 502 512 Nc=90% 510 510 475 505 521 X=505.36 506 503 487 493 500 S=12.07
  • 18. SOLUCION  Para poder resolver el problema lo que se tendrá que hacer será lo siguiente se aplicara una formula la cual tendremos que desarrollar con los datos con los que contamos.  Tendremos que sustituir los datos  t= x -μ  SI n α = 1- Nc = 10%  v = n-1 = 24  t = 2.22
  • 19. Procedimiento:se demostrara la forma en que se sustituiran los datos.  VALOR DE LOS DATOS.. APLICACION DE LA FORMULA  µ=500 h t=505.36-500 t= 2.22  n=25 12.07 25  Nc=90% v = 25 -1 = 24  X=505.36 α = 1- 90% = 10%
  • 20. Enseguida se muestra la distribución del problema según el grafico sig.