Distribución Normal

La distribución normal, a veces llamada distribución gaussiana, es un conjunto de curvas

biparamétricas. La razón habitual para modelar con la distribución normal es el teorema
del límite central, que establece aproximadamente que a medida que el tamaño de la
muestra aumenta hasta el infinito, la suma de muestras independientes de cualquier
distribución con media finita y varianza converge a la distribución normal.
Primero que nada, debes saber cuando poder aplicar esta distribución, para ello debes
leer muy bien e identificar los datos que te están proporcionando, después que los
obtengas podrás decidir que distribución es la adecuada.
Para poder llevar acabo esta distribución necesitamos de 3 datos, los cuales son:
 Una variable aleatoria
 Media o esperanza matemática
 Desviación estándar
En nuestra interfaz creada en Matlab hay 3 espacios en los cuales podemos ingresar estos
datos.

Después de eso se deberán ingresar los parámetros para poder crear la gráfica.
Para poder comprobar el correcto funcionamiento del programa proseguimos a realizar una
prueba.
En este ejemplo tenemos Sigma: 1, desviación :0 y una variable x: 2. Para los intervalos tomaremos
de -3 :0.1 :3.
Distribución Binomial

En teoría de probabilidad y estadística, la distribución binomial o distribución binomial es

una distribución de probabilidad discreta que cuenta el número de éxitos en una
secuencia de n ensayos de Bernoulli independientes, y la probabilidad de éxito entre
ensayos es fija.

Para esta distribución los datos que necesitaremos son los siguientes:
 Número casos deseados o de éxitos (x)
 Número de casos (n)
 Probabilidad fija o de éxito (p)

Nuestra interfaz cuenta con los espacios para poder ingresar estos datos.
Una vez ingresados los datos se puede calcular, mostrando los resultados en los apartados
siguientes.

Lo siguiente es comenzar con las. Para la primera usaremos un número de casos deseados
de 3, un total de casos de 3 y una probabilidad de 0.8 y calculamos las probabilidades.
Como podemos ver salen la probabilidad puntual y la probabilidad acumulada, junto con
las gráficas correspondientes de las funciones de densidad fX(x) y la función de
distribución acumulada FX(x).

Ahora para el siguiente ejemplo usaremos un número de casos deseados de100, un total
de casos de 300 y una probabilidad de 0.32 y calculamos las probabilidades.

Como se puede ver el programa funciona bien, muestra las probabilidades y las graficas
correspondientes a los datos ingresados.