UNIDAD 5

DISTRIBUCIONES DE
PROBABILIDAD APLICADAS EN
LA ADMINISTRACIN
 Definiciones
Distribucin binomial Distribucin discreta que describe los resultados de un
experimento conocido como proceso de Bernoulli.

Distribucin continua de probabilidad Distribucin de probabilidad en la que la

variable tiene permitido tomar cualquier valor dentro de un intervalo dado.

Distribucin de Poisson Distribucin discreta en la que la probabilidad de

presentacin de un evento en un intervalo muy pequeo es un nmero tambin muy
pequeo, la probabilidad de que dos o ms de estos eventos se presenten dentro del
mismo intervalo es efectivamente igual a cero, y la probabilidad de presentacin del
evento dentro del periodo dado es independiente de cundo se presenta dicho periodo.

Distribucin de probabilidad Lista de los resultados de un experimento con las

probabilidades que se esperaran ver asociadas con cada resultado.

Distribucin de probabilidad normal estndar Distribucin normal de probabilidad

con una media 0 y una desviacin estndar 1.

Distribucin discreta de probabilidad Distribucin de probabilidad en la que la

variable tiene permitido tomar solamente un nmero limitado de valores.

Definiciones
Distribucin normal Distribucin de una variable aleatoria continua que tiene una
curva de un solo pico y con forma de campana. La media cae en el centro de la
distribucin y la curva es simtrica con respecto a una lnea vertical que pase por la
media. Las dos colas se extienden indefinidamente, sin tocar nunca el eje horizontal.

Factor de correccin de continuidad Correcciones utilizadas para mejorar la

precisin de la aproximacin de una distribucin binomial mediante una distribucin
normal.

Proceso de Bernoulli Proceso en el cual cada ensayo tiene dos resultados posibles,
la probabilidad de obtener el resultado en cualquier intento permanece constante en
el tiempo y
los ensayos o intentos son estadsticamente independientes.

Valor esperado Promedio ponderado de los resultados de un experimento.

Valor esperado de una variable aleatoria La suma de los productos de cada

valor de la variable aleatoria por la correspondiente probabilidad de presentacin de
dicho valor.

Variable aleatoria Variable que toma diferentes valores como resultado de un

experimento aleatorio.

Variable aleatoria continua Variable aleatoria que puede tomar cualquier valor
dentro de un intervalo dado de valores.
 Distribuciones de Probabilidad
Estn relacionadas con las distribuciones de
frecuencias.
De hecho, una distribucin de probabilidad es una
distribucin de frecuencias terica, la cual es una
distribucin de probabilidades que describe la forma
en que se espera varen los resultados. Como estas
distribuciones representan expectativas de que algo
suceda, resultan modelos tiles para hacer
inferencias y tomar decisiones en condiciones de
incertidumbre.
 Distribuciones de
Probabilidad
La tabla lista los posibles resultados para este experimento de dos
lanzamientos. Cara est representada con una H; cruz , con una T.

Suponga ahora que nos interesa formular una distribucin de probabilidad

del nmero de cruces (T) que podran caer cuando lanzamos la moneda
dos veces. Se puede empezar por anotar cualquier resultado que no
contenga cruces.
 Variable aleatoria
Una variable es aleatoria si toma diferentes valores como
resultado de un experimento aleatorio. Esta variable aleatoria
puede ser discreta o continua. Si puede tomar slo un nmero
limitado de valores, entonces es una variable aleatoria discreta.
En el otro extremo, si puede tomar cualquier valor dentro de un
intervalo dado, entonces se trata de una variable aleatoria
continua.

Una variable aleatoria es una especie de valor o magnitud que

cambia de una ocurrencia a otra sin seguir una secuencia
predecible. Por ejemplo, en una clnica para tratamiento del
cncer de mama no se tiene manera de saber con exactitud
cuntas mujeres van a ser atendidas en un da cualquiera, de
modo que el nmero de mujeres del da siguiente es una variable
aleatoria.
 El valor esperado de una variable aleatoria

Suponga que lanza una moneda 10 veces y obtiene

siete caras, de la siguiente manera:
Ejemplo
Ejemplo
 El valor esperado
El valor esperado es una idea fundamental en el
estudio de las distribuciones de probabilidad. El valor
esperado de una variable aleatoria es, sencillamente, el
promedio ponderado de cada resultado posible,
multiplicado por la probabilidad de que ocurra ese
resultado,

Durante muchos aos, el concepto ha sido puesto en

prctica con bastante regularidad por las compaas
aseguradoras y, en los ltimos 20 aos, tambin ha
sido utilizado ampliamente por muchas de las personas
que deben tomar decisiones en condiciones de
incertidumbre.

Para obtener el valor esperado de una variable

aleatoria discreta, se multiplica cada valor que la
variable puede tomar por la probabilidad de ocurrencia
de ese valor y luego se suman los productos.

El total de la tabla indica que el valor esperado de la

variable aleatoria discreta Nmero de mujeres
examinadas al da es de 108.02 mujeres. Qu
significa esto? Significa que en un periodo largo, el
nmero de mujeres examinadas diariamente deber
tener un promedio de aproximadamente 108.02.
Recuerde que un valor esperado de 108.02 no significa
que maana 108.02 mujeres asistan a la clnica.
La directora de la clnica podra basar sus decisiones en
el valor esperado del nmero de mujeres examinadas
diariamente debido a que ste es un promedio
ponderado de los resultados que espera en el futuro.
 Ejercicio 1

a) Trace una grfica de la distribucin de probabilidad hipottica.

b) Calcule el valor esperado del resultado.

10/125 102 *.08

20/125
Las prdidas condicionales para la existencia de 10 cajas de
frambuesas.
En la cuarta columna de la tabla se muestra que si se tienen en
existencia 10 cajas diarias, a lo largo de un periodo grande, la
prdida promedio o prdida esperada ser de $52.50 por da. No
hay garantas de que la prdida del da siguiente sea
exactamente de $52.50.

En las tablas se muestran los clculos de la prdida esperada

resultante de decidirse por el almacenamiento de 11, 12 y 13
cajas de frambuesas, respectivamente. La accin de
almacenamiento ptima es aquella que minimiza las prdidas
esperadas. Tener en existencia 12 cajas diariamente constituye
esta opcin, en cuyo caso las prdidas esperadas toman el valor
mnimo de $17.50.
 La distribucin binominal
Una distribucin de probabilidad de variable aleatoria discreta
utilizada ampliamente es la distribucin binomial. Esta distribucin
describe una variedad de procesos de inters para los
administradores.

Por otra parte, describe datos discretos, no continuos, que son

resultado de un experimento conocido como proceso de Bernoulli, en
honor del matemtico suizo nacido en el siglo XVII, Jacob Bernoulli. El
lanzamiento de la moneda no alterada, un nmero fijo de veces es un
proceso de Bernoulli, y los resultados de tales lanzamientos pueden
representarse mediante la distribucin binomial de probabilidad. El
xito o fracaso de los solicitantes de empleo, entrevistados para
prueba de aptitudes, tambin puede ser descrito como un proceso de
Bernoulli. Por otro lado, la distribucin de frecuencias de la duracin
de las luces fluorescentes de una fbrica se podra medir mediante
una escala continua de tiempo y no se podra clasificar como una
distribucin binomial.
 Proceso de Bernoulli
1. Cada intento (cada lanzamiento, en este caso) tiene
solamente dos resultados posibles: cara o cruz, s o no,
xito o fracaso.

2. La probabilidad del resultado de cualquier intento

(lanzamiento) permanece fijo con respecto al tiempo. Con
una moneda no alterada, la probabilidad de obtener cara
siempre es 0.5 para cada lanzamiento, independientemente
del nmero de veces que se lance la moneda.

3. Los intentos son estadsticamente independientes, es

decir, el resultado de un lanzamiento no afecta el resultado
de cualquier otro lanzamiento.
En un lenguaje ms formal, el smbolo p representa la probabilidad
de tener xito (0.7 en este ejemplo) y el smbolo q (q 1 p) es la
probabilidad de que resulte en un fracaso (0.3). Para representar
un cierto nmero de xitos, utilizaremos el smbolo r, y para
representar el nmero total de intentos o de ensayos utilizamos el
smbolo n. En las situaciones que analizaremos, el nmero de
ensayos est fijo desde antes de empezar el experimento.

Se calcula, para utilizar este lenguaje en un problema sencillo, las

posibilidades de obtener exactamente dos caras (en cualquier
orden) en tres lanzamientos de una moneda no alterada.
Simblicamente, expresamos los valores de la forma siguiente:
p probabilidad caracterstica o probabilidad de tener xito 0.5
q 1 p probabilidad de fracaso 0.5
r nmero de xitos deseados 2
n nmero de intentos hechos 3
Por tanto, existe una probabilidad de 0.375 de obtener dos caras en
tres lanzamientos de una moneda no alterada.
 Ejemplo 2
Es frecuente que los empleados lleguen tarde a trabajar a la Farmacia Kerr
y hay cinco empleados en ella. El propietario ha estudiado la situacin
durante cierto periodo y determin que hay una probabilidad de 0.4 de que
cualquier empleado llegue tarde y que las llegadas de los mismos son
independientes entre s. Cmo podramos trazar una distribucin binomial
de probabilidad que ejemplifique las probabilidades de que 0, 1, 2, 3, 4 o 5
empleados lleguen tarde simultneamente? Para hacerlo, necesitaramos
utilizar la frmula binomial donde:

y efectuar clculos separados para cada r, desde 0 hasta 5. Recuerde que,

matemticamente, cualquier nmero elevado a la cero potencia es igual a
1. Tenemos que empezar con la frmula binomial:

Probabilidad de tener r llegadas tarde de n empleados =

 Ejercicio 2
Bob Walters, quien invierte con frecuencia en el mercado de valores, estudia con
detenimiento cualquier inversin potencial. En la actualidad examina la
posibilidad de invertir en la Trinity Power Company. Mediante el estudio del
rendimiento en el pasado, Walters ha desglosado los resultado potenciales en
cinco resultado posibles con sus probabilidades asociadas. Los resultados son
tasas de rendimiento anuales sobre una sola accin que hoy cuesta $150.
Encuentre el valor esperado del rendimiento sobre la inversin en una sola
accin de Trinity Power. Si Walters compra acciones siempre que la tasa de
rendimiento esperada exceda al 10%, comprar la accin, de acuerdo con estos
datos?
 La distribucin de Poisson
La distribucin de Poisson debe su nombre a Simon Denis Poisson
(1781-1840), un francs que desarroll la distribucin a partir de los
estudios que realiz durante la ltima parte de su vida.

La distribucin de Poisson se utiliza para describir ciertos tipos de

procesos, entre los que se encuentran la distribucin de llamadas
telefnicas que llegan a un conmutador, las solicitudes de pacientes
que requieren servicio en una institucin de salud, las llegadas de
camiones y automviles a una caseta de cobro, y el nmero de
accidentes registrados en cierta interseccin.
Estos ejemplos tienen en comn un elemento: pueden ser descritos
mediante una variable aleatoria discreta que toma valores enteros (0,
1, 2, 3, 4, 5, etc). El nmero de pacientes que llegan al consultorio de
un mdico
en un cierto intervalo ser de 0, 1, 2, 3, 4, 5 o algn otro nmero
entero. De manera parecida, si usted cuenta el nmero de
automviles que llegan a una caseta de cobro de alguna carretera
durante un periodo de 10 minutos, el nmero ser de 0, 1, 2, 3, 4, 5 y
as consecutivamente.
 Caractersticas de la probabilidad
de Poisson
El nmero de vehculos que pasan por una sola caja de una caseta de cobro en una hora pico
sirve para ilustrar las caractersticas de la distribucin de probabilidad de Poisson:

1. El promedio (la media) del nmero de vehculos que llegan por hora pico puede estimarse a
partir de datos sobre trfico que se tengan disponibles.

2. Si dividimos la hora pico en periodos (intervalos) de un segundo cada uno, encontraremos que
las siguientes afirmaciones son verdaderas:

a) La probabilidad de que exactamente un vehculo llegue a una caja por segundo es muy
pequea y es constante para cada intervalo de un segundo.

b) La probabilidad de que dos o ms vehculos lleguen en un intervalo de un segundo es tan

pequea que le podemos asignar un valor de cero.

c) El nmero de vehculos que llegan en un intervalo dado de un segundo es independiente

del momento en que dicho intervalo se presente en la hora pico.

d) El nmero de llegadas en cualquier intervalo de un segundo no depende del nmero de

llegadas en cualquier otro intervalo de un segundo.
 Probabilidad de Poisson
La distribucin de probabilidad de Poisson, como hemos mostrado,
tiene que ver con ciertos procesos que pueden ser descritos por una
variable aleatoria discreta. Generalmente, la letra X representa a esta
variable discreta y puede tomar valores enteros (0, 1, 2, 3, 4, 5, etc).
Utilizamos la mayscula X para representar a la variable aleatoria y la
minscula x para sealar un valor especfico que dicha variable pueda
tomar. La probabilidad de tener exactamente x ocurrencias en una
distribucin de Poisson se calcula con la frmula:
 La distribucin normal: distribucin
de una variable aleatoria continua
Una distribucin de probabilidad continua que es muy importante es la
distribucin normal. Varios matemticos han contribuido a su desarrollo, entre
los que podemos contar al astrnomo-matemtico del siglo XVIII, Karl Gauss. En
honor a su trabajo, la distribucin de probabilidad normal tambin es conocida
como distribucin gaussiana.

Existen dos razones fundamentales por las cuales la distribucin normal ocupa
un lugar tan prominente en la estadstica.

Primero, tiene algunas propiedades que la hacen aplicable a un gran nmero

de situaciones en las que es necesario hacer inferencias mediante la toma de
muestras. La distribucin normal es una til distribucin de muestreo.

Segundo, la distribucin normal casi se ajusta a las distribuciones de

frecuencias reales observadas en muchos fenmenos, incluyendo
caractersticas humanas (peso, altura, coeficiente intelectual), resultados de
procesos fsicos (dimensiones y rendimientos), y muchas otras medidas de
inters para los administradores, tanto en el sector pblico como en el
privado.
 Caractersticas de la distribucin normal de
probabilidad
1. La curva tiene un solo pico; por tanto, es unimodal. Tiene la forma de campana.
2. La media de una poblacin distribuida normalmente cae en el centro de su curva normal.
3. Debido a la simetra de la distribucin normal de probabilidad, la mediana y la moda de la
distribucin se encuentran tambin en el centro; en consecuencia, para una curva normal, la
media, la mediana y la moda tienen el mismo valor.
4. Las dos colas de la distribucin normal de probabilidad se extienden indefinidamente y
nunca tocan el eje horizontal (desde luego, esto es imposible de mostrar de manera grfica).

La mayor parte de las poblaciones reales no se extienden de manera indefinida en ambas

direcciones; pero para estas poblaciones, la distribucin normal es una aproximacin
conveniente. No hay una sola curva normal, sino una familia de curvas normales. Para
definir una distribucin normal de probabilidad necesitamos definir slo dos parmetros: la
media () y la desviacin estndar ().
 reas bajo la curva normal

No importa cules sean los valores de y para una distribucin de

probabilidad normal, el rea total bajo la curva es 1.00, de manera
que podemos pensar en reas bajo la curva como si fueran
probabilidades.

Matemticamente es verdad que:

1. Aproximadamente el 68% de todos los valores de una poblacin

normalmente distribuida se encuentra dentro de 1 desviacin
estndar de la media.
2. Aproximadamente el 95.5% de todos los valores de una
poblacin normalmente distribuida se encuentra dentro de 2
desviaciones estndar de la media.
3. Aproximadamente el 99.7% de todos los valores de una
poblacin normalmente distribuida se encuentra dentro de 3
desviaciones estndar de la media.
reas bajo la curva normal
 Ejemplo 1
Cul es la probabilidad de que un participante elegido al azar
requiera ms de 500 horas para completar el programa?
Z= 500/100= 0.5

Por tanto, podemos deducir que la probabilidad de que la

variable aleatoria tome un valor mayor a 500 es el rea
sombreada, es decir, 0.5.
 Ejemplo 2
Cul es la probabilidad de que un candidato elegido al azar
se tome entre 500 y 650 horas para completar el programa de
entrenamiento?
Si buscamos z 1.5 en la tabla 1 del
apndice, encontraremos una probabilidad
de 0.4332. En consecuencia, la probabilidad
de que un candidato escogido al azar
requiera entre 500 y 650 horas para
terminar el programa de entrenamiento es
ligeramente mayor a 0.4.
 Ejemplo 3
Cul es la probabilidad de que un candidato elegido al azar
se tome ms de 700 horas en completar el programa?
De qu manera podemos resolver este problema?

Valor de z en tabla es igual a 2.0, encontramos una probabilidad de 0.4772. Esto representa la
probabilidad de que el programa tome entre 500 y 700 horas. Sin embargo, deseamos tener la
probabilidad de que tome ms de 700 horas . Puesto que la mitad derecha de la curva (entre la media y la
cola derecha) representa una probabilidad de 0.5, podemos obtener nuestra respuesta (el rea que se
encuentra a la derecha del punto correspondiente a 700 horas) si restamos 0.4772 de 0.5; 0.5000 - 0.4772
= 0.0228.
Por tanto, hay un poco ms de dos oportunidades en 100 de que un participante elegido al azar se lleve
ms de 700 horas en completar el curso.