Tecnológico nacional de México

Instituto
tecnológico de
Hermosillo

Probabilidad y estadística.

Equipo 3
Alumnos:

Martínez Ciapara Juan Carlos

Mendoza Robles Bryan

Garcia Gomez Ricardo

Pandura Orduño Jesus Manuel

Profesor: López Navarro Santos

Índic
Distribución uniforme discreta........................................................................................3
Síntesis........................................................................................................................................3
A) Definirla..........................................................................................................................5
B) Propiedades..................................................................................................................5
C) Formula...........................................................................................................................6
D) 4 Ejemplos.....................................................................................................................6
Distribución Binomial............................................................................................................9
Síntesis........................................................................................................................................9
A) Definirla........................................................................................................................10
B) Propiedades................................................................................................................10
C)Formula...........................................................................................................................11
D)4 Ejemplos....................................................................................................................11
Distribución hipergeométrica........................................................................................12
Síntesis......................................................................................................................................12
A) Definirla........................................................................................................................13
B) Propiedades................................................................................................................13
C) Formula.........................................................................................................................13
D) 4 Ejemplos...................................................................................................................14
Distribución hipergeométrica multivariada...........................................................17
Síntesis......................................................................................................................................17
A) Definición.....................................................................................................................18
B) Propiedades................................................................................................................18
C) Formula.........................................................................................................................18
D) 4 Ejemplos...................................................................................................................18
Distribución de Poisson.....................................................................................................19
Síntesis......................................................................................................................................19
A) Definirla........................................................................................................................20
B) Propiedades del modelo de Poisson............................................................20
C)Formula...........................................................................................................................21
D)4 Ejemplos....................................................................................................................21
Bibliografía...................................................................................................................................24
Distribución uniforme discreta

Síntesis

En la distribución discreta uniforme lo que ocurre es que esta describe el

comportamiento de una variable discreta que puede tomar” n”
cantidades distintas además te contar con la misma probabilidad en
cada uno de ellos. Decimos que una variable aleatoria discreta tiene una
distribución uniforme cuando la probabilidad en todos los puntos es la
misma; es decir, cuando todos los posibles valores que puede adoptar la
variable (x1, x2..., xk) tienen la misma probabilidad.
Un caso particular de esta distribución es que cuando ocurre que los
valores son enteros consecutivos se utilizan distintas fórmulas de hecho
que resulta mucho más sencillas para calcular la esperanza y la varianza
de estas mismas variables aleatorias. Lo que sucede es que esta
distribución asigna igual probabilidad a todos los valores enteros entre lo
que sería el límite inferior y el límite superior que definen el recorrido de
la variable. Supongamos que esta variable pueda tomar valores entre,
“a” y “b”, sucede que b es mayor que a, y la variable y esta variable
toma valores enteros empezando por a, a+1, a+2, a+3, etc. Hasta que
el valor máximo b. por ejemplo cuando se observa un numero obtenido
al lanzamiento de unos dados los valores posibles siguen una
distribución uniforme discreta en (1, 2 ,3 ,4, 5, 6) y la probabilidad de
cada cara es 1/6.
También podemos explicarlo con un ejemplo un alumno tiene 11 temas
que estudiar en la escuela, de los cuales elegirá 1 al azar. Si un alumno
no ha estudiado los 3 de los últimos temas ¿Cuál es la probabilidad de
que el alumno sepa el tema elegido para el examen? Tenemos que
encontrar la esperanza y varianza.
Sea “X” la variable aleatoria que representa el número de tema
seleccionado para el examen, como todos los temas tienen la misma
probabilidad de ser seleccionado, siendo que estas probabilidades son
valores de entero consecutivo, sigue una distribución uniforme de
parámetros a=1 y b=11.
Para los valores te entero consecutivo se utiliza la fórmula de:

σ2 = n^2 - 1
werrrrrrrrreh12hhhhhh

Esperanza Varianza
Para los valores enteros aleatorios;

Esperanza Varianza

en este caso se usara las primeras formulas , entonces el alumno

aprueba el examen si le toca un tema del 1 al 9; así pues, la
probabilidad de salir el tema k es P(X=K ) = 1 / 7.
8 1
La probabilidad de salir un tema estudiado es P (X < 7) = Σ
=* 8 = “0.72”
I=1 11 11
tanto, el alumno tiene una probabilidad de 0.72 de saber el tema del
examen.
La esperanza y varianza para los valores enteros consecutivos son:
μ = 11 + 1 = 6 y = 11^2 -1 = 10
2 12

Como decíamos esta distribución se asocia a variables cuyos posibles

valores tienen toda la misma probabilidad. Si una variable aleatoria la
vamos a llamar “x” cuyos posibles valores son x1, . . . , xn, tiene
distribución uniforme discreta entonces
la distribución uniforme existe en variables discretas y continuas en
ambos casos la premisa es similar, en variables discretas significa que la
probabilidad de cada valor de la variable es la misma. En variables
continuas se interpreta como que la probabilidad de que la variable
aleatoria esté entre cualesquiera 2 valores es igual siempre que la
distancia entre los valores sea la misma.
Distribución Discreta Uniforme

A) Definirla
En teoría de la probabilidad, la distribución uniforme discreta es una
distribución de probabilidad que asume un número finito de valores con
la misma probabilidad.
B) Propiedades
Si la distribución asume los valores reales x1,x2,x3…xn , su función de
probabilidad entonces La probabilidad de que ocurra alguno de los
valores posibles es igual:

y su función de distribución la función escalonada:

Su media estadística es:

y su varianza:

 En la distribución de probabilidad uniforme discreta, la variable

aleatoria toma cada uno de sus valores con idéntica probabilidad. -
El parámetro de la distribución de probabilidad uniforme discreta,
viene dado por la inversa de los valores que puede tomar la
variable aleatoria.
  La variable aleatoria que describe el número de caras obtenidas al
lanzar dos monedas legales sigue una probabilidad de distribución
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 número de valores que pueda tomar la variable.
C) Formula

Esperanza: Para valores enteros

consecutivos:

Varianza: Para valores enteros

consecutivos:

D) 4 Ejemplos

Ejemplo 1
Suponga que un dado se lanza. Teóricamente, si el dado esta
balanceado, defina la función del experimento.
Solución:
1
F(x,6) = _6 , x =1,2,3,4,5,6
0 , en otro caso

Ejemplo 2

En la fabricación de un cierto producto se produce con fallas, suponiendo

que el número de fallas sigue la siguiente distribución uniforme:
Solución:
_
 1
F(X) = 3
0 x= 2,4,5
en otro caso

Determine la probabilidad de que en cierto producto se encuentren

A) 2 fallas, B) 3 fallas, C) más de 3 fallas.

Sabiendo que f (2) = 1/3, f (4) = 1/3, f (5) = 1/3

Solución: A) 2 fallas

F(X) =
_13 P (X =2) = f (2) = 1/3

1 x= 2,4,5 B) 3 fallas
en otro caso P (X =3) = f (3) = 0

C) Más de 3 fallas
P (X > 3) = f (4) + f (5) + f (6) +…
P (X > 3) = 1/3 + 1/3 + 0 + 0...
P (X > 3) = 2/3

Ejemplo 3
Cuál es la esperanza y la varianza del resultado de lanzar un dado de 6
caras.

Valor Probabilidad
X=1 1/6
X=2 1/6
X=3 1/6
X=4 1/6
X=5 1/6
X=6 1/6

Si tenemos una variable aleatoria que tenga una distribución uniforme

discreta cuyos valores sean enteros consecutivos podemos usar estas
formulas

Esperanza:
Valor final Valor inicial E(X) = 6 + 1 =3.5
werrrrrrrrrehe2hhhhhh
 Varianza:

V(X) = (n+1) [2(2n+1)-3(n+1)] = 35/12 = ”2.90”

12

Ejemplo 4
Se lanza un par de dados. Se define la variable aleatoria {X} como la
suma de las puntuaciones obtenidas. Hallar la función de probabilidad, la
esperanza matemática y la varianza.

X Pi Pi * X Pi * x^2
2 1/36 2/36 4/36
3 2/36 6/36 18/36
4 3/36 12/36 48/36
5 4 /36 20/3 6 100/36
6 5/36 30/36 180/36
7 6/36 42/36 294/36
8 5/36 40/36 320/36
9 4 /36 36/36 324/36
10 3/36 30/36 300/36
11 2/36 22/36 242/36
12 1/36 12/36 144/36
7 54.83

12
E(X)= 1/n Σ = 1/12 *[ (2 * 2/36) +(3 * 2/36) +(4 * 3/36) +(5 * 4/36) …] = 7
6/36
V(X) = 1/12 *[ ((2^2) * 2/36) +((3^2) * 2/36) +((4^2) * 3/36) +((5^2) * 4/36) …] = 54.83

Distribución Binomial

Síntesis

Existen una gran diversidad de experimentos o sucesos que pueden ser

caracterizados bajo esta distribución de probabilidad. Imaginemos el
lanzamiento de una moneda en el que definimos el suceso “sacar cara”
como el éxito. Si lanzamos 5 veces la moneda y contamos los éxitos
(sacar cara) que obtenemos, nuestra distribución de probabilidades se
ajustaría a una distribución binomial.

Por lo tanto, la distribución binomial se entiende como una serie de

pruebas o ensayos en la que solo podemos tener 2 resultados (éxito o
fracaso), siendo el éxito nuestra variable aleatoria.

Imaginemos que un 80% de personas en el mundo han visto el partido

de la final del último mundial de futbol. Tras el evento, 4 amigos se
reúnen a conversar, ¿Cuál es la probabilidad de que 3 de ellos hayan
visto?

Definamos las variables del experimento:

n = 4 (es el total de la muestra que tenemos)

x = número de éxitos, que en este caso es igual a 3, dado que

buscamos la probabilidad de que 3 de los 4 amigos lo hayan visto.

p = probabilidad de éxito (0,8)

q = probabilidad de fracaso (0,2). Este resultado se obtiene al restar 1-

p.

Tras definir todas nuestras variables, simplemente sustituimos en la

formula
El numerador de la factorial se obtendría de multiplicar 4*3*2*1 = 24 y
en el denominador tendríamos 3*2*1*1 = 6. Por lo tanto, el resultado de
la factorial sería 24/6=4.
Fuera del corchete tenemos dos números. El primero sería 0,8^3=0,512
y el segundo 0,2 (dado que 4-3 = 1 y cualquier número elevado a 1 es el
mismo).

Por tanto, nuestro resultado final sería: 4*0,512*0,2 = 0,4096. Si

multiplicamos por 100 tenemos que hay una probabilidad del 40,96% de
que 3 de los 4 amigos hayan visto el partido de la final del mundial.

Distribución Binomial

A) Definirla
Una distribución binomial es una distribución de probabilidad discreta
que describe el número de éxitos al realizar n experimentos
independientes entre sí, acerca de una variable aleatoria.

B) Propiedades

 En cada ensayo, experimento o prueba solo son posibles dos

resultados (éxito o fracaso).
 La probabilidad del éxito ha de ser constante. Esta se representa
mediante la letra p. La probabilidad de que salga cara al lanzar
una moneda es 0,5 y esta es constante dado que la moneda no
cambia en cada experimento y las probabilidades de sacar cara es
constate.
 La probabilidad de fracaso ha de ser también constate. Esta se
representa mediante la letra q = 1-p. Es importante fijarse que,
mediante esa ecuación, sabiendo p o sabiendo q, podemos
obtener la que nos falte.
 Los sucesos son mutuamente excluyentes, es decir, no pueden
ocurrir los 2 al mismo tiempo. No se puede ser hombre y mujer al
mismo tiempo o que al lanzar una moneda salga cara y cruz al
mismo tiempo.
 Los sucesos son colectivamente exhaustivos, es decir, al menos
uno de los 2 ha de ocurrir. Si no se es hombre, se es mujer y si se
lanza una moneda, si no sale cara ha de salir cruz.
 La variable aleatoria que sigue una distribución binomial se suele
representar como X~
C)Formula

Donde:

n = número de ensayos/experimentos

x = número de éxitos

p = probabilidad de éxito

q = probabilidad de fracaso (1-p)

Es importante resaltar que la expresión entre corchetes no es una

expresión matricial, sino que es un resultado de una combinatoria sin
repetición. Este se obtiene con la siguiente formula:

D)4 Ejemplos

• Nº de caras al lanzar 20 veces una moneda

• Nº de aprobados si se presentan 80 alumnos a un examen
• Nº de familias con un solo hijo en una población de 120 familias
 • Nº de reacciones negativas ante un fármaco administrado a 40
pacientes

Distribución hipergeométrica

Síntesis

La distribución hipergeométrica es una distribución discreta que modela

el número de eventos en una muestra de tamaño fijo cuando usted
conoce el número total de elementos en la población de la cual proviene
la muestra. Cada elemento de la muestra tiene dos resultados posibles
(es un evento o un no evento). Las muestras no tienen reemplazo, por lo
que cada elemento de la muestra es diferente. Cuando se elige un
elemento de la población, no se puede volver a elegir. Por lo tanto, la
probabilidad de que un elemento sea seleccionado aumenta con cada
ensayo, presuponiendo que aún no haya sido seleccionado.

Utilice la distribución hipergeométrica para muestras obtenidas de

poblaciones relativamente pequeñas, sin reemplazo. Por ejemplo, la
distribución hipergeométrica se utiliza en la prueba exacta de Fisher
para probar la diferencia entre dos proporciones y en muestreos de
aceptación por atributos cuando se toman muestras de un lote aislado
de tamaño finito.

La distribución hipergeométrica se define por 3 parámetros: tamaño de

la población, conteo de eventos en la población y tamaño de la muestra.
Distribución hipergeométrica
A) Definirla
La distribución hipergeométrica es una distribución discreta que modela
el número de eventos en una muestra de tamaño fijo cuando usted
conoce el número total de elementos en la población de la cual proviene
la muestra.
Las muestras no tienen reemplazo, por lo que cada elemento de la
muestra es diferente.

B) Propiedades
Las consideraciones a tener en cuenta en una distribución
hipergeométrica:

 El proceso consta de "n" pruebas, separadas o separables de

entre un conjunto de "N" pruebas posibles.
 Cada una de las pruebas puede dar únicamente dos resultados
mutuamente excluyentes.
 El número de individuos que presentan la característica A
(éxito) es "k".
 En la primera prueba las probabilidades son: P(A)= p y P(A)= q;
con p+q=1.
C) Formula
En estas condiciones, se define la variable aleatoria X = “nº de éxitos
obtenidos”. La función de probabilidad de esta variable sería:

La media, varianza y desviación típica de esta distribución vienen dadas

por:

D) 4 Ejemplos

Ejemplo 1:

Supongamos la extracción aleatoria de 8 elementos de un conjunto

formado por 40 elementos totales (cartas baraja española) de los cuales
10 son del tipo A (salir oro) y 30 son del tipo complementario (no salir
oro).
Si realizamos las extracciones sin devolver los elementos extraídos y
llamamos X al número de elementos del tipo A (oros obtenidos) que
extraemos en las 8 cartas; X seguirá una distribución hipergeométrica
de parámetros 40 , 8 , 10/40.H(40,8,0,25).
Para calcular la probabilidad de obtener 4 oros:

Ejemplo
2:
De cada 20 piezas fabricadas por una máquina, hay 2 que son
defectuosas. Para realizar un control de calidad, se observan 15
elementos y se rechaza el lote si hay alguna que sea defectuoso. Vamos
a calcular la probabilidad de que el lote sea rechazado.

Ejemplo 3:

En una urna o recipiente hay un total de N objetos, entre los cuales hay
una cantidad a de objetos que son defectuosos, si se seleccionan de esta
urna n objetos al azar, y sin reemplazo, ¿cuál es la probabilidad de
obtener x objetos defectuosos?

Solución:

donde:
p(x,n) = probabilidad de obtener x objetos defectuosos de
entre n seleccionados

muestras de n objetos en donde hay x que son defectuosos

y n-x buenos
 todas las muestras posibles de seleccionar de n objetos
tomadas de entre N objetos en total = espacio muestral

Considerando que en la urna hay un total de 10 objetos, 3 de los cuales

son defectuosos, si de seleccionan 4 objetos al azar. ¿Cuál es la
probabilidad de que 2 sean defectuosos?

Solución:

N = 10 objetos en total
a = 3 objetos defectuosos
n = 4 objetos seleccionados en muestra
x = 2 objetos defectuosos deseados en la muestra

Ejemplo 4:

Para evitar que lo descubran en la aduana, un viajero ha colocado 6

tabletas de narcótico en una botella que contiene 9 píldoras de vitamina
que son similares en apariencia. Si el oficial de la aduana selecciona 3
tabletas aleatoriamente para analizarlas,
a) ¿Cuál es la probabilidad de que el viajero sea arrestado por
posesión de narcóticos?,
b) ¿Cuál es la probabilidad de que no sea arrestado por posesión
de narcóticos?

Solución:
a) N = 9+6 =15 total de tabletas
a = 6 tabletas de narcótico
n = 3 tabletas seleccionadas
x = 0, 1, 2, o 3 tabletas de narcótico = variable que nos indica el
número de tabletas de narcótico que se puede encontrar al seleccionar
las 3 tabletas

p (viajero sea arrestado por posesión de narcóticos) = p(de que entre las
3 tabletas seleccionadas haya 1 o más tabletas de narcótico)

Distribución hipergeométrica multivariada

Síntesis
A) Definición
B) Propiedades
C) Formula
D) 4 Ejemplos
Distribución de Poisson

Síntesis

Primeramente, para conocer este tema es necesario empezar con un

concepto muy necesario para digerir la información de manera más
sencilla y hacer un trabajo más eficaz a la hora de cocer los
experimentos de Poisson, esta son los experimentos que resultan en
valores numéricos de una variable aleatoria X, misma que representa el
número de resultados durante el intervalo de tiempo dado o una región
específica.
Se cree que la distribución de Poisson es una de las más importantes de
las distribuciones de variables discretas, se puede entender como un
caso particular de la Binomial que utilizamos para determinadas
distribuciones en las que el cálculo de la probabilidad es engorroso
debido bien a que el número de pruebas es excesivamente elevado o
bien a que la probabilidad de éxito es excesivamente baja, en ambos
casos la esperanza (n*p) es muy pequeña en relación al número de
pruebas (n).
Entonces hablamos de que el intervalo de tiempo puede ser cualquier
duración, por ejemplo, un minuto, un día, una semana, un mes hasta un
año. El experimento de Poisson puede generar diferentes resultados ya
que la variable x representa el numero juegos propuesto para la
temporada de invierno del futbol, ahí solo es un ejemplo donde remarcas
la forma de representar “x”. La región especifica podría ser un área, un
volumen, o un simple pedazo de material.
Sus principales aplicaciones hacen referencia a la modelización de
situaciones en las que nos interesa determinar el número de hechos de
cierto tipo que se pueden producir en un intervalo de tiempo como ya lo
hemos mencionado, bajo una variable aleatoria y ciertas circunstancias
restrictivas. Otro de sus usos frecuentes es la consideración límite de
procesos dicotómicos reiterados un gran número de veces si la
probabilidad de obtener un éxito es muy pequeña.
Para calcular utilizamos la letra X mayúscula para representar la variable
aleatoria y la x minúscula para designar un valor específico que puede
asumir la X mayúscula. La probabilidad de exactamente x ocurrencias en
una distribución de Poisson se calcula mediante la fórmula: P(x=u)
= k ^u * e^-u / k!
En conclusión la distribución de Poisson es una distribución de
probabilidad discreta que expresa, a partir de que ocurra un
determinado número de eventos durante cierto período de tiempo
Distribución de Poisson

A) Definirla
En teoría de probabilidad y estadística, la distribución de Poisson es una
distribución de probabilidad discreta que expresa, a partir de una
frecuencia de ocurrencia media, la probabilidad de que ocurra un
determinado número de eventos durante cierto período de tiempo.

B) Propiedades del modelo de Poisson

1) Esperanza: E(X) = λ.
2) Varianza: V(X) = λ.
En esta distribución la esperanza y la varianza coinciden.
3) La suma de dos variables aleatorias independientes con distribución
de Poisson resulta en una nueva variable aleatoria, también con
distribución de Poisson, de parámetro igual a la suma de parámetros:
X1 ~ P(λ = λ1) y X2 ~ P(λ = λ2)
y definimos Z = X1 + X2, entonces,
Z ~ P(λ = λ1 + λ2)
Este resultado se extiende inmediatamente al caso de n variables
aleatorias independientes con distribución de Poisson. En este caso, la
variable suma de todas ellas sigue una distribución de Poisson de
parámetro igual a la suma de los parámetros.
 Se observa la realización de hechos de cierto tipo durante un
cierto periodo de tiempo o a lo largo de un espacio de
observación
 Los hechos a observar tienen naturaleza aleatoria; pueden
producirse o no de una manera no determinística.

 La probabilidad de que se produzcan un número x de éxitos

en un intervalo de amplitud t no depende del origen del
intervalo (Aunque, sí de su amplitud).

 La probabilidad de que ocurra un hecho en un intervalo

infinitésimo es prácticamente proporcional a la amplitud del
intervalo.
  La probabilidad de que se produzcan 2 o más hechos en un
intervalo infinitésimo es un infinitésimo de orden superior a
dos.

 En consecuencia, en un intervalo infinitésimo podrán

producirse O ó 1 hecho, pero nunca más de uno

 Si en estas circunstancias aleatorizados de forma que la

variable aleatoria X signifique o designe el "número de
hechos que se producen en un intervalo de tiempo o de
espacio", la variable X se distribuye con una distribución de
parámetro l. Así:

C)Formula

-u
P (X=U) = e k* u
k!

D)4 Ejemplos

Ejemplo 1
Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son
las probabilidades de que reciba, a) cinco cheques sin fondo en un día
dado, b) 10 cheques sin fondos en cualquiera de dos días
consecutivos?
a) x = variable que nos define el número de cheques sin fondo que
llegan al banco en un día cualquiera = 0, 1, 2, 3, ....., etc, etc.
l = 6 cheques sin fondo por día e = 2.718

P(x=5, u=6) = (6)^5 * (2.718)^-6 = (7776) * (0.00248) =

0.160704
5! 120
b) x= variable que nos define el número de cheques sin fondo que llegan
al banco en dos días consecutivos = 0, 1, 2, 3, ......, etc., etc.
l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en
dos días consecutivos
Nota: l siempre debe de estar en función de x siempre o dicho de otra
forma, debe “hablar” de lo mismo que x.
P(x=10, u=12) = (12) ^10* (2.718)^-12 = (6.1917364E10) *
(0.000006151) =
10! 3628800

R0.104953

Ejemplo 2
En la inspección de hojalata producida por un proceso electrolítico
continuo, se identifican 0.2 imperfecciones en promedio por minuto.
Determine las probabilidades de identificar a) una imperfección en 4
minutos, b) al menos dos imperfecciones en 5 minutos, c) cuando más
una imperfección en 15 minutos.

Solución:
a) x = variable que nos define el número de imperfecciones en la
hojalata por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.
l = 0.2 x 4 =0.8 imperfecciones en promedio por cada 4
minutos en la hojalata

P(x=1, u=0.8) = (0.8) ^1* (2.718)^-0.8 = (0.8) * (0.548845) =

0.329307 1! 1

b)x = variable que nos define el número de imperfecciones en la

hojalata por cada 5 minutos = 0, 1, 2, 3, ...., etc., etc.
l = 0.2 x 5 =1 imperfección en promedio por cada 5 minutos en la
hojalata

( ) =
0!
 P(x = 2,3,4,etc..)=1-p (x=10, u=12) = 1 - (1) ^0* (2.718)^-1 +
(1) * (2.718)^1
1!

Esto es igual a = 1-(0.367918+0.367918) = 0.26416

Ejemplo 3
La producción de televisores en SAMSUNG trae asociada una
probabilidad de defecto del 2%, si se toma un lote o muestra de 85
televisores, obtener la probabilidad de que existan 4 televisores con
defectos.
n= 85
P = 0.02
X=4
lambda = 0.02 * 85 = 1.7

P(x=4) = (1.7) ^4* (2.718)^-1.7 “0.0635746”

=
4!

Ejemplo 4
Si ya se conoce que solo el 3% de los alumnos de Contabilidad son muy
inteligentes ¿Calcular la probabilidad de que si tomamos 100 alumnos al
azar 5 de ellos sean muy inteligentes?
n = 100
P = 0.03
lambda = 100 * 0.03 = 3
x =5
P(x=5) = (3) ^5* (2.718)^-3 “0.100850178”
5!
=
Bibliografía

https://economipedia.com/definiciones/distribucion-binomial.html

https://es.wikipedia.org/wiki/Distribuci%C3%B3n_binomial

https://fisicaymates.com/distribucion_binomial/

https://iescomplutense.es/wp-content/uploads/2010/10/Tema-13-Probabilidad-binomial-
resumen.pdf

http://www.virtual.sepi.upiicsa.ipn.mx/mdid/poisson.pdf

file:///C:/Users/DELL/Downloads/probabilidad%20y%20estadistica%20Unidad%204%20(1).pdf

https://www2.ulpgc.es/hege/almacen/download/5/5509/Tema_1.pdf

http://www4.ujaen.es/~mjolmo/EstadI/LADE_DCHO/Distribuciones.pdf