La distribucin normal de probabilidad

1. Probabilidad.
La probabilidad p de un suceso est comprendida entre 0 y 1 (0 <= p <= 1), en donde:
p = 0 es la probabilidad del suceso imposible.
p = 1 es la probabilidad del suceso seguro.
2. La distribucin normal de probabilidad.
La distribucin normal de probabilidad, distribucin de Gauss o campana de Gauss es una
distribucin estadstica continua de probabilidad. Se sabe que las caractersticas fsicas,
psicolgicas y sociales de una poblacin, adems de otros fenmenos, (inteligencia, peso,
belleza, longevidad, borregusimo, etc.), siguen ms o menos la distribucin normal de
probabilidad.
Por ejemplo, si la estatura se representa en el eje X, entonces se ve que la mayora de la gente
tiene una estatura normal, situada en el centro de la grfica, mientras que una minora de gente
es muy alta y otra minora muy baja, salindose de lo normal, segn lo mostrado en la grfica
en los extremos izquierdo y derecho. Otro ejemplo es la inteligencia: La mayora de la gente es
de inteligencia normal, mientras que una minora es muy inteligente y otra es muy poco
inteligente. O la longevidad: La mayora de la gente tiene una esperanza de vida normal,
mientras que unos pocos mueren demasiado pronto o llegan a centenarios.

En el eje X se representa una variable estadstica y en el eje Y la probabilidad para cada valor de
X. Algunas caractersticas:
La media, la mediana y la moda son el valor central en donde la distribucin alcanza su
valor mximo, siendo una distribucin simtrica respecto de este valor. Para valores
alejados de la media, decrece exponencialmente.
El rea total bajo la curva del grfico es 1. Esto es, la integral de la grfica es 1. O dicho de
otra forma, la suma total de todas las probabilidades es 1.
El grfico de arriba muestra las principales subreas del grfico.
La probabilidad de que x sea cualquier valor <= x1 (donde x1 es un valor cualquiera de X),
es la integral de la curva hasta x1, o sea, el rea bajo la curva hasta x1, o lo que es lo
mismo, la suma de todas las probabilidades hasta x1:

3. Equivalencia entre probabilidades y conjuntos.
Hay una equivalencia en operar con probabilidades y operar con conjuntos, debido a que ambas
cosas siguen el lgebra de Boole.
a) Operar con conjuntos.
El conjunto total es el conjunto formado por todos los elementos, del que se obtienen
subconjuntos. El conjunto vaco es el conjunto sin ningn elemento.
Si tenemos por ejemplo un conjunto formado por las mujeres muy inteligentes y otro formado
por las mujeres muy atractivas, (ambos conjuntos pequeos, tal y como sugieren las respectivas
distribuciones normales de probabilidad), entonces el subconjunto formado por las mujeres muy
inteligentes que son adems muy atractivas ser la interseccin de ambos conjuntos, y este
subconjunto interseccin ser de un tamao menor o como mucho igual que los conjuntos de
mujeres atractivas y de mujeres inteligentes por separado, pues es obvio que si es difcil
encontrar a una atractiva, ms difcil es encontrar a una que sea adems inteligente.
Por el contrario, si se quiere encontrar a una que sea inteligente o que sea atractiva (no
necesariamente las dos cosas, sino solamente una de ellas), ser la unin de los dos conjuntos,
resultando en un conjunto mayor.
Por ltimo, el conjunto complemento de un subconjunto A es el conjunto que no contiene ningn
elemento de A: Conjunto total A.
b) Operar numricamente con probabilidades.
La probabilidad del suceso seguro es 1 y es equivalente al conjunto total. La del suceso
imposible es 0 y es equivalente al conjunto vaco.
Esta operacin de interseccin de conjuntos se expresa numricamente en trminos de
probabilidades como el producto de las probabilidades. Como la probabilidad de un suceso es un
nmero menor o igual que 1, el producto de dos probabilidades p, q, va a ser menor o igual
que 1 tambin, y menor o igual que p y que q.
En el ejemplo anterior, supongamos que la probabilidad de encontrar a una mujer atractiva es
p=020 y la de encontrar a una inteligente es q=025. Entonces, la probabilidad de encontrar a
una que sea inteligente y atractiva es pq = 020 x 025 = 005, mucho ms pequea que la de
encontrar a una que slo sea atractiva/inteligente:
pq <= p
pq <= q
Por el contrario, la probabilidad de encontrar una mujer que sea o inteligente o atractiva ser la
suma de probabilidades p+q = 045:
p+q >= p
p+q >= q
Por ltimo, la probabilidad del complemento de p (el conjunto que no tiene elementos en p) es
1-p: restar la probabilidad de p a la probabilidad del suceso seguro que es 1.
Resumiendo las operaciones del lgebra de Boole con sus equivalentes numricos de
probabilidad y de conjuntos:
Producto lgico = Interseccin de conjuntos = producto de probabilidades.
Suma lgica = Unin de conjuntos = suma de probabilidades.
Complemento = Conjunto total subconjunto = 1 p
4. Un estereotipo corregido.
Obsrvese tambin que las siguientes probabilidades en el ejemplo anterior son la misma:
Mujer atractiva e inteligente (extremos derecho y derecho en las respectivas distribuciones
normales de probabiliad).
Atractiva pero no inteligente (extremos derecho e izquierdo en la grfica de probabilidad).
No atractiva pero s inteligente (extremos izquierdo y derecho de la grfica de
probabilidad).
Ni atractiva ni inteligente (extremos izquierdo e izquierdo en la grfica de probabilidad).
O sea, todas las combinaciones que se pueden hacer con las dos variables estadsticas
(inteligencia y belleza) y sus dos extremos de probabilidad.
Dicho de otra forma, el tpico de que una guapa es tonta es una tontera. Lo que quiere decir
ese tpico es que es ms difcil encontrar a una guapa inteligente que una guapa NORMAL. Pero
es igual de probable que sea guapa e inteligente a que sea guapa y tonta o a que sea fea e
inteligente, o tonta y fea. Y lo ms probable es que no sea ninguna de esas cosas, sino normal
en todo, del montn. Lo mismo con los hombres, claro.
Con otras cualidades que supuestamente ms o menos siguen la distribucin de probabilidad se
aplica lo mismo, con sus respectivas combinaciones. Por ejemplo, con las causas de mortalidad
en una poblacin, demostrndose con facilidad que algunas de esas causas, como la violencia
domstica, son insignificantes en importancia objetiva por mucha propaganda que reciban,
mientras que otras causas de mortalidad son las principales y ocupan la situacin central en la
distribucin: Infartos, cncer, etc.
Origen de los grficos: Wikipedia.















1. DISTRIBUCIN BINOMIAL

Las caractersticas de esta distribucin son:
a) En los experimentos que tienen este tipo de distribucin, siempre se esperan dos
tipos de resultados, ejem. Defectuoso, no defectuoso, pasa, no pasa, etc, etc.,
denominados arbitrariamente xito (que es lo que se espera que ocurra) o
fracaso (lo contrario del xito).
b) Las probabilidades asociadas a cada uno de estos resultados son constantes, es
decir no cambian.
c) Cada uno de los ensayos o repeticiones del experimento son independientes entre
s.
d) El nmero de ensayos o repeticiones del experimento (n) es constante.

A partir de un ejemplo. Desarrollaremos una frmula que nos permita cualquier
problema que tenga este tipo de distribucin.
Ejemplo:
Se lanza al aire una moneda normal 3 veces, determine la probabilidad de que
aparezcan 2 guilas.

Solucin:
Antes de empezar a resolver este problema, lo primero que hay que hacer es
identificarlo como un problema que tiene una distribucin binomial, y podemos decir
que efectivamente as es, ya que se trata de un experimento en donde solo se pueden
esperar dos tipos de resultados al lanzar la moneda, guila o sello, cutas probabilidades
de ocurrencia son constantes, cada uno de los lanzamientos es independiente de los
dems y el nmero de ensayos o repeticiones del experimento son constantes, n = 3.

Para dar solucin a este problema, lo primero que hay que hacer es un diagrama de
rbol, en donde representaremos los tres lanzamientos, de ah se obtendr el espacio
muestral y posteriormente la probabilidad pedida, usando la frmula correspondiente.




A = guila, S = sello
1/2 A

1/2 A
1/2 S
A
1/2 A
1/2 1/2 S
S
1/2 A

1/2 A
1/2 1/2 S
S
1/2 A
1/2 S

1/2 S






= AAA, AAS, ASA, ASS, SAA, SAS, SSA, SSS

Para obtener la frmula, definiremos lo siguiente:

n = nmero de lanzamientos de moneda
x = nmero de xitos requeridos = nmero de guilas = 2
p = probabilidad de xito= p(aparezca guila) =1/2
q = probabilidad de fracaso= p(aparezca sello) =1/2

Entonces podemos partir de la siguiente expresin para desarrollar la frmula;


P(aparezcan 2 guilas)=(No. De ramas del rbol en donde ap. 2
guilas)(probabilidad asociada a cada rama)

Entonces el nmero de ramas en donde aparecen dos guilas se puede obtener;

Enumerando las ramas de inters, estas seran: AAS, ASA, SAA, QU TIPO DE
ARREGLOS SON ESTOS ELEMENTOS DEL ESPACIO MUESTRAL?, Son
permutaciones en donde algunos objetos son iguales, entonces, el nmero de
ramas se puede obtener con la frmula correspondiente,


donde n = x
1
+x
2
+...+x
k


sustituyendo en esta frmula, tenemos lo siguiente;



esta frmula puede ser sustituida por la de combinaciones, solo en el caso de dos
tipos de objetos, si hay ms de dos tipos de objetos, definitivamente solo se usa la
frmula original, como se observar en el caso de la distribucin multinomial, pero
porqu vamos a cambiar de frmula?, simplemente porque en todos los libros de
texto que te encuentres vas a encontrar la frmula de combinaciones en lugar de
la de permutaciones, que es la siguiente,




y sustituyendo valores, nos damos cuenta de que efectivamente son 3 las ramas
de inters, que son donde aparecen dos guilas, donde n = 3, x = 2.





Y la probabilidad asociada a cada rama?
Probabilidad asociada a cada rama = p(guila)*p(guila)*p(sello)= p*p*q = p
2
q=

=

Luego la frmula de la distribucin Binomial sera:




donde:
p(x, n, p) = probabilidad de obtener en n ensayos x xitos, cuando la probabilidad
de xito es p

Dando solucin al problema de ejemplo tenemos lo siguiente:
n = 3, x = 2, p =




Para calcular la media y la desviacin estndar de un experimento que tenga
una distribucin Binomial usaremos las siguientes frmulas:


Media o valor esperado.




Donde:
n = nmero de ensayos o repeticiones del experimento
P = probabilidad de xito o la probabilidad referente al evento del cual se desea
calcular la media que se refiere la media
Q = complemento de P


Desviacin estndar.




Ejemplos:
1. Se dice que el 75% de los accidentes de una planta se atribuyen a errores
humanos. Si en un perodo de tiempo dado, se suscitan 5 accidentes,
determine la probabilidad de que; a) dos de los accidentes se atribuyan a
errores humanos, b) como mximo 1 de los accidentes se atribuya a errores
de tipo humano, c) tres de los accidentes no se atribuyan a errores
humanos.

Solucin:
a) n = 5
x = variable que nos define el nmero de accidentes debidos a errores
humanos
x = 0, 1, 2,...,5 accidentes debidos a errores de tipo humano
p = p(xito) = p(un accidente se deba a errores humanos) = 0.75
q = p(fracaso) = p(un accidente no se deba a errores humanos) = 1-p = 0.25




b)



c) En este caso cambiaremos el valor de p;
n =5
x = variable que nos define el nmero de accidentes que no se deben a
errores de tipo humano
x = 0, 1, 2,...,5 accidentes debidos a errores humanos
p = p(probabilidad de que un accidente no se deba a errores humanos)
= 0.25
q = p(probabilidad de que un accidente se deba a errores humanos) = 1-
p = 0.75






2. Si la probabilidad de que el vapor se condense en un tubo de aluminio de
cubierta delgada a 10 atm de presin es de 0.40, si se prueban 12 tubos de
ese tipo y bajo esas condiciones, determine la probabilidad de que: a) el
vapor se condense en 4 de los tubos, b) en ms de 2 tubos se condense el
vapor, c) el vapor se condense en exactamente 5 tubos.

Solucin:
a) n =12
x = variable que nos define el nmero de tubos en que el vapor se condensa
x = 0, 1, 2, 3,...,12 tubos en el que el vapor se condensa
p =p(se condense el vapor en un tubo de Al a 10 atm)= 0.40
q = p(no se condense el vapor en un tubo de Al a 10 atm) = 1-p=0.60




= 0.21284

b) p(X=3, 4, ...,12, n=12, p=0.40) = p(x=3)+p(x=4)++p(x=12)= 1-









= 1- 0.002176+0.0174096+0.06385632 = 1- 0.08344192= 0.91656

c)


= 0.22703



3. La probabilidad de que el nivel de ruido de un amplificador de banda ancha
exceda de 2 dB (decibeles) es de 0.15, si se prueban 10 amplificadores de
banda ancha, determine la probabilidad de que; a) en solo 5 de los
amplificadores el nivel de ruido exceda los 2 dB, b) por lo menos en 2 de los
amplificadores, el ruido exceda de 2 dB, c)que entre 4 y 6 amplificadores no
se excedan de los 2 dB, d)encuentre el nmero esperado de amplificadores
que se exceden de un nivel de ruido de 2dB y su desviacin estndar.

Solucin:
a)n =10
x =variable que nos define el nmero de amplificadores de banda ancha que su
nivel de ruido excede de 2 dB
x = 0, 1, 2,...,10 amplificadores en los que el nivel de ruido excede de los 2 dB
p = P(un amplificador exceda su nivel de ruido de 2 dB) = 0.15
q = p(un amplificador no exceda su nivel de ruido de 2 dB =1-p= 0.85





= 0.00849
b)p(x=2,3,...,10, n=10, p=0.15)= 1- p(x = 0,1) =

= 1 (0.19687+(10)(0.15)(0.231617) =1-0.544296 = 0.455705
c) n=10
x= variable que nos define el nmero de amplificadores de banda ancha que su
nivel de ruido no excede de 2 dB
x= 0, 1, 2,...,10 amplificadores que su nivel de ruido no excede de los 2 dB
p = p(un amplificador no exceda su nivel de ruido de 2 dB) = 0.85
q = p(un amplificador exceda su nivel de ruido de 2 dB) = 1- p = 0.15


=(210)(0.522)(0.00001139)+(252)(0.4437)(0.00
0075937)+(210)(0.3771495)(0.00005063)=
=0.001249 + 0.00849 + 0.00400997 =
0.01374897
d)n=10, p=0.15, q=1-p=0.85


Interpretacin:
Se espera que 2 de los 10 amplificadores probados se excedan de un nivel de
ruido de 2 Db










DISTRIBUCIN DE POISSON

Esta distribucin es una de las ms importantes distribuciones de variable
discreta. Sus principales aplicaciones hacen referencia a la modelizacin de
situaciones en las que nos interesa determinar el nmero de hechos de cierto tipo
que se pueden producir en un intervalo de tiempo o de espacio, bajo presupuestos
de aleatoriedad y ciertas circunstancias restrictivas. Otro de sus usos frecuentes
es la consideracin lmite de procesos dicotmicos reiterados un gran nmero de
veces si la probabilidad de obtener un xito es muy pequea .
Proceso experimental del que se puede hacer derivar
Esta distribucin se puede hacer derivar de un proceso experimental de
observacin en el que tengamos las siguientes caractersticas
Se observa la realizacin de hechos de cierto tipo durante un cierto periodo de
tiempo o a lo largo de un espacio de observacin
Los hechos a observar tienen naturaleza aleatoria ; pueden producirse o no de
una manera no determinstica.
La probabilidad de que se produzcan un nmero x de xitos en un intervalo de
amplitud t no depende del origen del intervalo (Aunque, s de su amplitud)
La probabilidad de que ocurra un hecho en un intervalo infinitsimo es
prcticamente proporcional a la amplitud del intervalo.
La probabilidad de que se produzcan 2 o ms hechos en un intervalo
infinitsimo es un infinitsimo de orden superior a dos.
En consecuencia, en un intervalo infinitsimo podrn producirse O 1 hecho pero
nunca ms de uno
Si en estas circunstancias aleatorizamos de forma que la variable aleatoria X
signifique o designe el "nmero de hechos que se producen en un intervalo de
tiempo o de espacio", la variable X se distribuye con una distribucin de
parmetro . As :
El parmetro de la distribucin es, en principio, el factor de proporcionalidad
para la probabilidad de un hecho en un intervalo infinitsimo. Se le suele designar
como parmetro de intensidad , aunque ms tarde veremos que se corresponde
con el nmero medio de hechos que cabe esperar que se produzcan en un
intervalo unitario (media de la distribucin); y que tambin coincide con la varianza
de la distribucin.
Por otro lado es evidente que se trata de un modelo discreto y que el campo de
variacin de la variable ser el conjunto de los nmero naturales, incluido el
cero:

Funcin de cuanta
A partir de las hiptesis del proceso, se obtiene una ecuacin diferencial de
definicin del mismo que puede integrarse con facilidad para obtener la funcin de
cuanta de la variable "nmero de hechos que ocurren en un intervalo unitario de
tiempo o espacio "
Que sera : ir a
programa de clculo



Cuya representacin grfica
para un modelo de media 11
sera la adjunta .
Obsrvense los valores
prximos en la media y su
forma parecida a la campana
de Gauss , en definitiva , a la
distribucin normal


La funcin de distribucin vendr dada por :
Funcin Generatriz de Momentos
Su expresin ser :

dado que tendremos
que
luego :
Para la obtencin de la media y la varianza aplicaramos la F.G.M.; derivndola
sucesivamente e igualando t a cero .
As.

Una vez obtenida la media , obtendramos la varianza en base
a :



haciendo t = 0

por lo que =
as se observa que media y varianza coinciden con el
parmetro del modelo siendo ,
En cuanto a la moda del modelo tendremos que ser el valor de la variable que
tenga mayor probabilidad , por tanto si Mo es el valor modal se cumplir que
:
Y, en particular:
A partir de estas dos desigualdades, es muy sencillo probar que la moda tiene
que verificar: De manera que la moda ser la parte entera del
parmetro o dicho de otra forma, la parte entera de la media
Podemos observar cmo el intervalo al que debe pertenecer la moda tiene una
amplitud de una unidad , de manera que la nica posibilidad de que una
distribucin tenga dos modas ser que los extremos de este intervalo sean
nmeros naturales, o lo que es lo mismo que el parmetro sea entero, en cuyo
caso las dos modas sern -1 y .
Teorema de adicin.
La distribucin de Poisson verifica el teorema de adicin para el parmetro .
"La variable suma de dos o ms variables independientes que tengan una
distribucin de Poisson de distintos parmetros (de distintas medias) se
distribuir, tambin con una distribucin de Poisson con parmetro la suma de
los parmetros (con media, la suma de las medias) :
En efecto:
Sean x e y dos variables aleatorias que se distribuyen con dos distribuciones de
Poisson de distintos parmetros siendo adems x e y independientes
As e
Debemos probar que la variable Z= x+y seguir una Poisson con parmetro
igual a la suma de los de ambas:
En base a las F.G.M para X
Para Y
De manera que la funcin generatriz de momentos de Z ser el producto de
ambas ya que son independientes
:
Siendo la F.G.M de una
Poisson

Convergencia de la distribucin binomial a la Poisson
Se puede probar que la distribucin binomial tiende a converger a la
distribucin de Poisson cuando el parmetro n tiende a infinito y el parmetro p
tiende a ser cero, de manera que el producto de n por p sea una cantidad
constante. De ocurrir esto la distribucin binomial tiende a un modelo de Poisson
de parmetro igual a n por p
Este resultado es importante a la hora del clculo de probabilidades , o , incluso a
la hora de inferir caractersticas de la distribucin binomial cuando el nmero de
pruebas sea muy grande y la probabilidad de xito sea muy
pequea .
El resultado se prueba , comprobando como la funcin de cuanta de una
distribucin binomial con y tiende a una funcin de cuanta de
una distribucin de Poisson con siempre que este producto sea una
cantidad constante ( un valor finito)
En efecto : la funcin de cuanta de la binomial es
Y llamamos tendremos que:


realizando que es la funcin de cuanta de una
distribucin de Poisson

Estimacin Bayesiana sobre muestras de poisson.
Anlogamente a como plantebamos el problema de necesitar estimar la
proporcin de una caracterstica ,en el caso de un modelo binomial , en alguna
situacin prctica , podemos estar interesados en determinar el parmetro
desconocido de una distribucin de Poisson. Por ejemplo podramos estar
interesados en determinar el nmero medio de clientes que acuden a una
ventanilla de una oficina pblica.
El planteamiento de la estimacin podra hacerse utilizando informacin
suministrada por una experiencia {la observacin de cuntos hechos se producen
en un intervalo experimental),conjuntamente con algn otro tipo de informacin
a priori .En este caso, estaramos ,como ya comentbamos en el caso binomial
ante un planteamiento bayesiano del problema.
La solucin requerir que dispongamos de una informacin inicial que puede
especificarse a travs de una distribucin a priori de probabilidad. De manera que
la funcin de cuanta de esta distribucin a priori (o su f. de densidad si fuera
continua) nos asigne probabilidades a cada posible valor del parmetro .
Utilizando nicamente la informacin inicial la estimacin sera la media de la
distribucin a priori.
Pero realizando una experiencia podremos mejorar la informacin acerca
de Si observamos la realizacin de hechos durante un intervalo experimental y
se producen x hechos, para cada posible valor de podremos calcular su
verosimilitud definida como la probabilidad de que se d ese resultado si el valor
de es el considerado:

Obviamente esta probabilidad condicionada ser la funcin de cuanta de una
distribucin de Poisson con . para el valor de la variable x.
Finalmente podemos calcular las probabilidades de cada valor alternativo de ,
condicionada al resultado de la experiencia aplicando el teorema de Bayes:

Estas probabilidades finales (a posteriori) constituirn la funcin de cuanta de
la distribucin a posteriori que nos dar cuenta de toda la informacin disponible
(tanto muestral como no muestral) .
La estimacin mejorada del parmetro ser, entonces, la media de la
distribucin a posteriori.
Planteamos un ejemplo:
Tres ejecutivos del Insalud opinan que el nmero medio de pacientes que
llegan a cierto servicio nocturno de guardia durante una hora es 2 , segn el
primero, 3 , segn el segundo, y 5 segn el tercero.
Sus opiniones pueden ponderarse teniendo en cuenta que el primero tiene el
doble de experiencia profesional que los otros dos.
Para tomar una decisin de asignacin de personal en ese servicio quieren
estimar el nmero medio de pacientes, sin despreciar sus opiniones , por lo que
realiza una experiencia controlando una hora de actividad en el servicio en la que
acuden 3 pacientes .Esta informacin la van a combinar con la inicial a travs de
un proceso Bayesiano :cmo lo haran?
La distribucin a priori ser tal que deber asignarse el doble de probabilidad a la
alternativa propuesta por el primer experto que a las de los otros dos. As que
ser:

i
P(
i
)
2 0,5
3 0,25
4 0,25
De manera que la estimacin inicial de sera,la media de la distribucin a priori:

Realizada la experiencia, las verosimilitudes de las tres alternativas nos vendrn
dadas por la funcin de cuanta de la distribucin de Poisson,
con

i


2 0,180447
3 0,224042
5 0,140374
La funcin de cuanta de la distribucin a posteriori la obtendremos aplicando el
Teorema de Bayes y resultar ser:

i


2 0,497572
3 0,308891
5 0,193536
Esta distribucin a posteriori nos dar cuenta de toda la informacin disponible acerca del
parmetro desconocido, (nmero medio de pacientes por hora); tanto de la informacin subjetiva de
los expertos (convenientemente ponderada) como de la informacin emprica suministrada por la
observacin.
A partir de esta distribucin a posteriori podemos plantear nos dar un valor concreto para la
estimacin de considerando una funcin de prdida cuadrtica . La estimacin adecuada sera la
media de la distribucin a posteriori:

pacientes la hora
Resumen
Poisson Distribucin Tutorial
Definicin:

En estadstica, la distribucin de Poisson es una de las distribuciones de probabilidad discreta.
Esta distribucin se utiliza para calcular las posibilidades de un evento con la tasa media dada de
valor (). Una variable aleatoria de Poisson (x) se refiere al nmero de xitos en un experimento de
Poisson.

Formula:

f (x) =
e- x
/ x!
Cuando,
es una tasa promedio del valor.
x es una variable aleatoria de Poisson.
e es la base del logaritmo (e = 2,718).

Ejemplo:

Consideremos, en una oficina dos clientes llegaron hoy. Calcular las posibilidades de
exactamente tres clientes que se lleg en la maana.

Paso 1: Buscar
e-.

donde, = 2 y e = 2.718

e-
= (2.718)
2
= 0.135.

Paso 2: Buscar
x.

donde, = 2 y x = 3.

x
= 2
3
= 8.

Paso 3: Encontrar f (x).
f (x) =
e- x
/ x!
f (3) = (0.135) (8) / 3! = 0,18.

Por lo tanto hay posibilidades de un 18% para tres clientes que se lleg en la maana