En teora de probabilidad y estadstica, la distribucin de Poisson es una distribucin de probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia

media, la probabilidad que ocurra un determinado nmero de eventos durante cierto periodo de tiempo. Fue descubierta por Simon-Denis Poisson, que la dio a conocer en 1838. La funcin de masa de la distribucin de Poisson es

donde

k es el nmero de ocurrencias del evento o fenmeno (la funcin nos da la probabilidad de que el evento suceda precisamente k veces). es un parmetro positivo que representa el nmero de veces que se espera que ocurra el fenmeno durante un intervalo dado. Por ejemplo, si el suceso estudiado tiene lugar en promedio 4 veces por minuto y estamos interesados en la probabilidad de que ocurra k veces dentro de un intervalo de 10 minutos, usaremos un modelo de distribucin de Poisson con = 104 = 40. e es la base de los logaritmos naturales (e = 2,71828...)

Ejemplos

Si el 2% de los libros encuadernados en cierto taller tiene encuadernacin defectuosa, para obtener la probabilidad de que 5 de 400 libros encuadernados en este taller tengan encuadernaciones defectuosas usamos la distribucin de Poisson. En este caso concreto, k es 5 y, , el valor esperado de libros defectuosos es el 2% de 400, es decir, 8. Por lo tanto, la probabilidad buscada es:

2) Si un banco recibe en promedio 6 cheques sin fondos por da, cuales son las posibilidades de que reciban 4 cheques sin fondo en un da dada. a) x= variable que nos define el numero de cheques sin fondo que llegan al banco en un da cualquiera. (landa) = 6 cheques sin fondo x da = 2.718

Propiedades del modelo de Poisson

Tanto el valor esperado (llamado tambin media) como la varianza de una variable aleatoria con distribucin de Poisson son iguales a .

1) Esperanza: E(X) = . 2) Varianza: V(X) = .

Distribucin normal
En estadstica y probabilidad se llama distribucin normal, distribucin de Gauss o distribucin gaussiana, a una de las distribuciones de probabilidad de variable continua que con ms frecuencia aparece aproximada en fenmenos reales. Presentan una funcin de densidad cuya grfica tiene forma de campana.

La distribucin de una variable normal est completamente determinada por dos parmetros, su media () y su desviacin estndar (). VARIANZA DE LA DISTRIBUCIN NORMAL La media (tambin llamada esperanza, valor esperado) de una variable aleatoria X, es el nmero E(x) que formaliza la idea de valor medio de un fenmeno aleatorio. Cuando la variable aleatoria es discreta, la esperanza es igual a la suma de la probabilidad de cada posible suceso aleatorio multiplicado por el valor de dicho suceso. Funcin De Una Distribucin

Puede tomar cualquier valor (- ,+ ) Son ms probables los valores cercanos a uno central que llamados media Conforme nos separamos de ese valor , la probabilidad va decreciendo de igual forma a derecha e izquierda (es simtrica). Conforma nos separamos de ese valor , la probabilidad va decreciendo de forma ms o menos rpida dependiendo de un parmetro s , que es la desviacin tpica.

la distribucin normal maximiza la entropa entre todas las distribuciones con media y varianza conocidas, lo cual la convierte en la eleccin natural de la distribucin subyacente a una lista de datos resumidos en trminos de media muestral y varianza. En estadstica, la distribucin (de Pearson), llamada Chi cuadrado o Ji cuadrado, es una distribucin de probabilidad continua con un parmetro que representa los grados de libertad de la variable aleatoria Esta distribucin es bsica en un determinado nmero de pruebas no paramtricas. La distribucin Ji cuadrada tambin se conoce como Distribucin de Pearson. Este nombre le fue dado en honor al matemtico, cientfico y pensador Karl Pearson, quien entre otras cosas,

estableci la estadstica matemtica como ciencia. Pearson desarroll una intensa investigacin acerca de la aplicacin de la estadstica en la biologa, lo que eventualmente lo llev a ser el padre de la bioestadstica. Siendo la funcion gamma definida: (_) = R 1 0 x_1exdx para _ > 0. La Esperanza y Varianza de la distribucion _2 n, son respectivamente, E(X) = = n Var(X) = 2n
0