DISTRIBUCIONES

DE PROBABILIDAD
Universidad Nacional Autnoma de Mxico

Maestra en
Administracin

Una distribucin de probabilidad indica toda la gama de valores quepueden representarse

como resultado de un experimento si ste sellevase a cabo. Es decir, describe la
probabilidad de que un evento se realice en el futuro, lo implica que se puede disear un
escenario de acontecimientos futuros considerandolas tendencias actuales de diversos
fenmenos naturales.
Una distribucin de probabilidades es una lista de las probabilidades de todos los
resultados posibles que pudiera resultar si el experimento se hace; es decir, es la suma de
todas las funciones en las que interviene la variable aleatoria x bajo estudio.
Las distribuciones de probabilidad siempre es la suma de todas las funciones posibles, por
tanto su sumatoria siempre tiene que ser igual al espacio muestral; esto es:
f(x) = 100%

Clasificacin de las Distribuciones de Probabilidad

a) Distribuciones Discretas:
Se presentan cuando nuestra variable de estudio es discreta; esto es, solo puede
asumir valores enteros, sin decimales.

Eventos
Independientes
Eventos
Dependientes

Distribucin Binomial
Distribucin de Poisson
Distribucin Hipergeomtrica

b) Distribuciones Contnuas:
Se presentan cuando nuestra variable de estudio es contnua; esto es, puede asumir
valores dentro de un intervalo de valores.

[E scr i ba e l n m e ro de te l fo no de l re mi te n te ] Maestra en Administracin

Para saber cual es la f(x) que corresponde se deber estudiar los tipos de distribuciones de
probabilidad que podemos tener. Para esto, lo importante es definir el tipo de variable
que tenemos bajo estudio, y de aqu surge la clasificacin de las distribuciones.

f(x) = 1

UNIVERSIDAD NACIONAL AUTNOMA DE MXICO

Introduccin

Facultad de Contadur a y Administracin

DISTRIBUCIONES DE PROBABILIDAD

*Distribucin Normal
Aproximacin Normal para la Distribucin Binomial
* Aproximacin Normal para la Distribucin de Poisson

DISTRIBUCIN BINOMIAL
La distribucin Binomial es posiblemente la ms importante de las distribuciones discretas.Esta
distribucin corresponde a la realizacin de un experimento aleatorioque cumple con las siguientes
condiciones:
1.
2.
3.
4.
5.
6.

El experimento consta de n ensayos o pruebas idnticas;

Los datos recopilados son el resultado de conteos;
Cada ensayo slo puede tener un resultado de dos posibles, que se llaman xito (p) y fracaso (q),
los cuales son mutuamente excluyentes;
La probabilidad p de xito es constante de ensayo a ensayo, es decir, es invariable. La probabilidad
de un fracaso es (1 -p) = q
Los ensayos son estadsticamente independientes, esto es la ocurrencia de uno no afecta la ocurrencia
del otro.
Interesa conocer x, el nmero de xitos observados en n pruebas

FRMULA
f ( x ) = ( n)

.p xq.

n-x

para x = 0, 1, 2,.., n

En donde:
f ( x ) = Funcin de x de la distribucin binomial
( ) = Coeficiente binomial (anlisis combinatorio)
n = Tamao de la muestra nmero de ensayos (pruebas)
x = Nmero de xitos observados (valor de variable)
p = Probabilidad de xito en cada ensayo
q = Probabilidad de fracaso que se obtiene por: 1- p

MDIA ARITMTICA O VALOR ESPERADO DE UNA DISTRIBUCIN BINOMIAL

El valor esperado de una variable aleatoria binomial siempre es igual al nmero de ensayos del
experimento multiplicado por la probabilidad de xito en cualquier ensayo, es decir

=n

VARIANZA Y DESVIACIN ESTNDAR DE UNA DISTRIBUCIN BINOMIAL

La varianza de una variable aleatoria binomial es siempre igual al nmero de ensayos del experimento
multiplicado por la probabilidad de xito en cualquier ensayo, multiplicado a su vez por la probabilidad de
fracaso en cualquier ensayo, es decir
2

..

=n p q

As mismo la desviacin estndar de una variable aleatoria binomial es:

..

n p q

ASIMETRA DE UNA DISTRIBUCIN BINOMIAL

1.
2.
3.
4.

Cuando p = 0.50, esto es p = q, cualquier distribucin binomial es simtrica, es decir, exhibe cero
asimetra.
Cuando p < 0.50, esto es p < q, la distribucin es positivamente sesgada (a la derecha).
Cuando p > 0.50, esto es p > q, la distribucin es negativamente sesgada (a la izquierda).
A medida que el tamao de la muestra (n) aumenta, la distribucin se hace ms y ms simtrica.

NOTA: Estas generalizaciones se pueden notar claramente al trazar la grfica de la distribucin

binomial.

DISTRIBUCIN DE PROBABILIDAD HIPERGEOMTRICA

Cuando el muestreo se realiza sin reposicin para cada uno de los elementos que se toman de una
poblacin finita de elementos, no se puede aplicar el proceso de Bernoulli debido a que existe un cambio
sistemtico en la probabilidad de xitos al ir extrayendo elementos de la poblacin, en este caso la
distribucin discreta de probabilidad apropiada resulta ser la distribucin hipergeomtrica.

CARACTERSTICAS DE LA DISTRIBUCIN HIPERGEOMTR1CA

Suponga que se obtiene una muestra de elementos de una poblacin y se determina si cada uno de ellos
tiene o no una caracterstica determinada. Los datos obtenidos son de tipo acierto y falla como en el

caso de la distribucin binomial.

Si el nmero de elementos de la poblacin es grande en comparacin con el de la muestra, la probabilidad
de seleccionar un elemento con una determinada caracterstica en un solo ensayo es igual a la proporcin
de xito p de elementos con esa caracterstica en la poblacin. Dado que la poblacin es grande
comparada con el tamao de la muestra, esta probabilidad permanecer constante (para propsitos
prcticos) de ensayo a ensayo y el nmero de aciertos sigue una distribucin de probabilidad binomial.
Sin embargo, si el nmero de elementos en la poblacin es pequeo en relacin con el tamao de la
muestra, es decir
n > ( 0.05 ) ( a + b ) n > ( 0.05 ) ( n )
La probabilidad de un acierto en un ensayo dado depende de los resultados precedentes. Entonces el
nmero a de aciertos sigue lo que se conoce como una distribucin de probabilidad hipergeomtrica.

FRMULA
Supngase que vamos a muestrear una poblacin finita sin reposicin en la que los elementos de la
poblacin estn clasificados nicamente en dos clases: aciertos y fallos. Y si estamos interesados en tomar
una muestra aleatoria de n elementos, formado a xitos o aciertos y b fracasos o fallos y nos interesa
conocer la probabilidad de obtener x aciertos y n - x fallos, entonces est dada por:

(a) (
x

f(x)=

n-x

( )

para x = 0, 1, 2,..., n

N
n

f ( x ) = Funcin de probabilidad de x de la distribucin hipergeomtrica;

a = Nmero de elementos de la poblacin finita considerados aciertos;
b = Nmero de elementos de la poblacin finita considerados fallos;
a + b = N = Nmero de elementos de la poblacin finita;
x = El valor de la variable discreta;
n = Tamao de la muestra;
(

) = Anlisis combinatorio.

MEDIA ARITMTICA O VALOR ESPERADO DE LA DISTRIBUCIN HIPERGEOMTRICA

=n

( a)
N

VARIANZA Y DESVIACIN ESTNDAR DE LA DISTRIBUCIN HIPERGEOMTRICA

2

Varianza

Desviacin Estndar

. . (N n)

=n p q

N-1

. . (N n)

n p q

N-1

DISTRIBUCIN DE PROBABILIDAD DE POISSON

La distribucin recibe su nombre en honor de Simeon Poisson (1781-1840) quien la estudi y dio a conocer
en 1837. El defini lo que ahora recibe el nombre de variable aleatoria de Poisson, como el nmero de
acontecimientos raros de un evento especfico que ocurren en una unidad de tiempo o espacio especificado.

PROCESO DE POISSON
Un proceso de Poisson es el acontecimiento de una serie de eventos de un tipo dado, en forma aleatoria, en
un tiempo o espacio, tal que:

1. El nmero de acontecimientos dentro de un tiempo o espacio especificado es igual a cualquier entero

entre 0 e infinito;
2. El nmero de acontecimientos dentro de una unidad de tiempo o espacio es independiente del de
cualquier otra unidad (que no se traslape):
3. La probabilidad de acontecimientos es la misma en todas esas unidades.

EVENTOS QUE ACONTECEN AL AZAR EN EL TIEMPO

Las clases de eventos que Poisson tena en mente se encuentran en todas las actividades humanas, tales
como:
1.

Nmero de personas que solicitan servicio en un banco, parada de autobuses, en un consultorio

mdico, en la oficina de correos o en un restaurante.

2.

Las llegadas de carros al taller de lavado, las entradas a carreteras troncales o a gasolineras, en
estacionamientos, semforos o casetas de cuotas.

3.

Llegada de aviones a aeropuertos, de embarcaciones a puertos, de camiones a terminales.

4.

Llamadas telefnicas a puestos centrales cuando se requieren los servicios de ambulancias, bomberos
o polica.

5.

Nmero de accidentes industriales, automovilsticos, deportivos, etc.

6.

Nmero de clientes que llegan a una tienda de autoservicio, a una caja registradora de un
supermercado, a una tintorera, a una peluquera, a una tortillera, etc.

7.

Reclamaciones en oficinas de compaas de seguros, de paquetes a la oficina de correos, de rdenes

en un almacn, de productos semiterminados, de solicitudes de devolucin en el departamento de
quejas, de vctimas de suicidios en el servicio forense. En todos estos casos y en muchos ms, las
condiciones del proceso de Poisson pueden aplicarse muy bien.

EVENTOS DISPERSOS EN FORMA ALEATORIA EN EL ESPACIO

1.

2.

3.

Vase el espacio como una lnea y considrese dichos eventos como la aparicin de defectos en un
rollo de alambre forrado, de fugas en un oleoducto o nombres mal escritos en un directorio telefnico,
baches en un camino o errores de tipografa en un libro.
Vase el espacio como rea y contemple el nmero de nacimientos en una ciudad, de burbujas en
una ventana de vidrio, delitos en una ciudad, los defectos en una alfombra, las casas de agricultores
en un municipio, los incendios en un bosque ocasionados por rayos, pensemos en minas, meteoritos o
yerbas en un campo.
Vase el espacio como volumen y considrese eventos como hallar bacterias en un caldo, pasitas en
un pan o semillas de maleza en un paquete de semillas de flores, etc.

FRMULA

f(x)=

x e-

para x = 0, 1, 2,...,

x!
En donde:
f ( x) = Funcin de x de la distribucin de probabilidad de Poisson
= Valor esperado (media aritmtica del nmero de ocurrencias (xitos) en un intervalo de tiempo
determinado)
x = Nmero de acontecimientos por unidad de tiempo o espacio (valor de la variable)
! = Factorial de un nmero
e = 2.71828 (base de logaritmos naturales)

MEDIA ARITMTICA O VALOR ESPERADO DE LA DISTRIBUCIN DE POISSON

=n p
VAR1ANZA Y DESVIACIN ESTNDAR DE UNA DISTRIBUCIN DE PO1SSON
2

Varianza

=n p

Desviacin Estndar

n p

APROXIMACIN DE LA BINOMIAL POR LA DISTRIBUCIN DE PROBABILIDAD DE

POISSON

Este uso est particularmente justificado en el caso de un proceso Bernoulli en el que el nmero de
ensayos, n. es grande y la probabilidad de xito en cualquier intento, p, es pequeo, es decir:
n > 30

p 0.05

y de preferencia que el valor esperado sea tambin pequeo, es decir:

5
DISTR1BUCIN DE PROBABILIDAD NORMAL
Esta distribucin de probabilidad fue descrita primeramente en 1753 por Abraham de Moivre (1667-1
754), pero fue popularizada por Adolphe Quetelet (1796 - 1574) quien la utiliz para analizar el concepto
de el hombre promedio, y por Carl Friedrich Gauss (1777-1855) que la us para describir errores de
medicin en astronoma.

Si el tipo de variable aleatoria cuantitativa que se presenta es de naturaleza continua, es decir, que
pueden tomar valores en todos los puntos de una escala y sin interrupciones entre valores posibles.
Considrese las caractersticas medidas en unidades de dinero, tiempo, distancia o peso, etc., la
distribucin que se va a utilizar es la llamada Distribucin de Probabilidad Normal.

CARACTERSTICAS DE LA DISTRIBUCIN DE PROBABILIDAD NORMAL

Todos los tipos de distribucin normal se representan en curvas simtricas, cada una de ellas con su
respectiva media y desviacin estndar. Para poder estudiar este tipo de distribuciones fue creada la
distribucin normal estandarizada, llamada as por que utiliza las puntuaciones estndar Z. Esta
distribucin estandarizada sigue las siguientes caractersticas:

1.

2.

La curva normal tiene perfil de campana y presenta un solo pico en el centro exacto de la
distribucin. La media aritmtica, la mediana y la moda de la distribucin son iguales y estn en el
punto central. De esta forma la mitad del rea baja la curva se halla a un lado (o por encima del valor
central) de ese punto. y la otra mitad, al otro lado (o por debajo). Es decir 50% de un lado y 50% del
otro lado.
Por lo anterior podemos decir que es una curva simtrica perfecta con una media igual a cero y una
desviacin estndar de uno, se denomina Curva normal estndar ( = 0
y
= 1).

3.
4.
5.

Est completamente definida a 3 de ah se extiende a infinito, esto quiere decir que jams toca
el eje de las x.
Esta curva tiene su punto mximo en la media y tiene puntos de inflexin en l .
Las probabilidades de que a cualquier observacin quede a una, dos y tres desviaciones estndar ( )
a partir de la media ( ) son 68.27%, 95.45% y 99.73%, respectivamente.

-3

-2

+2

+3

Escala X

-1

-2

-3

Escala Z

68.27%
95.45%
99.73%

FRMULA DE LA DISTRIBUCIN NORMAL ESTNDAR

Z=

X-

En donde:
Z = Puntuaciones estndar
x = Valor observado
= Media poblacional de la distribucin
= Desviacin estndar poblacional de la distribucin

LA APROXIMACIN NORMAL PARA LA DISTRIBUCIN BINOMIAL Y DE POISSON

CARACTERSTICAS
La distribucin normal de probabilidad da una aproximacin bastante buena a la distribucin binomial y
de Poisson cuando el nmero de ensayos es grande. Una regla prctica nos dice que podemos usar la
aproximacin normal a la binomial y de Poisson cuando:
Aproximacin normal para la
distribucin binomial
n > 30
p > 0.05
np>5
nq>5

Aproximacin normal para la

distribucin de Poisson
n > 30
p 0.05
np>5
nq>5

FACTOR DE CORRECIN POR CONTINUIDAD

Puesto que la distribucin normal maneja variables continuas y la distribucin binomial y de Poisson
variables discretas, se hace necesario corregir las variables discretas que manejan el modelo binomial y
de Poisson y esto se logra restando o sumando al valor de la variable aleatoria discreta.

FRMULA DE LA APROXIMACIN NORMAL PARA LA DISTRIBUCIN BINOMIAL Y DE

POISSON

Z=

(X)-

En donde:

x = Valor de la variable aleatoria discreta que se comporta de acuerdo al modelo binomial o de Poisson.

= n p = La media poblacional de una distribucin binomial o de Poisson.

=

..

n p q
= La desviacin estndar poblacional de una distribucin binomial.

n p = La desviacin estndar poblacional de una distribucin de Poisson.

Z = Valor de x en unidades de desviacin estndar ya corregida.

= Factor de correccin por continuidad (F.C.C.)

TABLA PARA SABER CUANDO SUMAR O RESTAR EL

FACTOR DE CORRECCIN POR CONTINUIDAD

P (X < X0 )
P (X X0 )
P (X > X0 )
P (X X0 )
P (X = X0 )

=
=
=
=
=

X-
X+
X+
X-
X

En donde:

X0 = Cualquier valor mayor o igual a 0 ( X0 = 0, 1,, n )

X = Valor de la variable aleatoria bajo estudio.