Clase

Distribucin Normal, Poisson, Binomial

La distribucin normal

Introduccin
Una de las herramientas de mayor uso en las empresas es la
utilizacin de la curva normal para describir situaciones donde
podemos recopilar datos. Esto nos permite tomar decisiones que
vayan a la par con las metas y objetivos de la organizacin.
En este mdulo se describe la relacin de la Distribucin normal
con la Distribucin normal estndar. Se utilizan ejemplos y
ejercicios donde se ensea sobre la determinacin de
probabilidades y sus aplicaciones.

Utilidad
Se utiliza muy a menudo porque hay muchas
variables asociadas a fenmenos naturales
que siguen el modelo de la norma.
Caracteres morfolgicos de individuos
(personas, animales, plantas,...) de una
especie, por ejemplo: tallas, pesos, dimetros,
distancias, permetros,...
Caracteres fisiolgicos, por ejemplo: efecto de
una misma dosis de un frmaco, o de una
misma cantidad de abono

Utilidad
Caracteres sociolgicos, por ejemplo:
consumo de cierto producto por un mismo
grupo de individuos, puntuaciones de examen
Caracteres psicolgicos, por ejemplo: cociente
intelectual, grado de adaptacin a un medio,...
Errores cometidos al medir ciertas magnitudes
Valores estadsticos mustrales como la
media, varianza y moda

La funcin de distribucin
Puede tomar cualquier valor (- , + )
Hay ms probabilidad para los valores cercanos a la
media m
Conforme nos separamos de m , la probabilidad va
decreciendo de igual forma a derecha e izquierda
(es simtrica).
Conforme nos separamos de m , la probabilidad va
decreciendo dependiendo la desviacin tpica s.

La funcin F(x)

F(x) es el rea sombreada

de la siguiente grfica

Propiedades de la
distribucin normal:
El rea bajo la curva aproximado del promedio a ms o
menos una desviacin estndar (1) es de 0.68, a ms o
menos 2 es de .0 95 y a ms o menos 3 es de 0.99.

(Las propiedades continuan en la prxima lmina)

Propiedades de la
distribucin normal:
La forma de la campana de Gauss depende de los parmetros y .
Tiene una nica moda que coincide con su media y su mediana.
La curva normal es asinttica al eje de X.
Es simtrica con respecto a su media . Segn esto, para este tipo de
variables existe una probabilidad de un 50% de observar un dato mayor
que la media, y un 50% de observar un dato menor.

En resumen
Podemos concluir que hay una familia de distribuciones con
una forma comn, diferenciadas por los valores de su media
y su varianza.
La desviacin estndar ( ) determina el grado de
apuntamiento de la curva. Cuanto mayor sea el valor de ,
ms se dispersarn los datos en torno a la media y la curva
ser ms plana.
La media indica la posicin de la campana, de modo que
para diferentes valores de la grfica es desplazada a lo
largo del eje horizontal.
De entre todas ellas, la ms utilizada es la distribucin
normal estndar, que corresponde a una distribucin de
media 0 y varianza 1.

La distribucin normal
estndar
Z se la denomina variable tipificada de X, y a
la curva de su funcin de densidad se le
conoce como la curva normal estndar.
Es una distribucin normal con promedio 0 y
una desviacin estndar de 1.
Todas las variables normalmente distribuidas
se pueden transformar a la distribucin normal
estndar utilizando la frmula para calcular el
valor Z correspondiente.

Caractersticas de la
distribucin normal estndar.
No depende de ningn parmetro.
Su media es 0, su varianza es 1 y su
desviacin estndar es 1.
La curva f(x) es simtrica respecto del eje
de Y
Tiene un mximo en el eje de Y.
Tiene dos puntos de inflexin en z=1 y z=-1

Teorema del Lmite Central

Nos indica que, bajo condiciones muy
generales, segn aumenta la cantidad de
datos, la distribucin de la suma de variables
aleatorias tendera a seguir hacia una
distribucin normal.
En otras palabras el Teorema del Lmite
Central garantiza una distribucin normal
cuando el tamao de la muestra es
suficientemente grande.

Por ejemplo
En el siguiente histograma podemos observar la distribucin de
frecuencias por peso de acuerdo a la edad. De acuerdo a este
teorema segn aumenten la cantidad de dato se podr trazar
una curva que tome cada vez ms formacin en forma campana.

rea bajo la curva normal estndar

El rea bajo la curva normal estndar es til
para asignar probabilidades de ocurrencia de
la variable X.
Debemos tomar en cuenta que el rea total
bajo la curva es igual a 1. Y que, por ser una
grfica simtrica, cada mitad tiene un rea de
0.5.

Pasos para determinar el rea bajo la curva

normal estndar
Paso 1 - Interpretar grficamente el rea de
inters.
Paso 2 - Determinar el valor Z
Paso 3 - Buscar en la tabla de probabilidades.
Paso 4 - Hacer la suma o resta de reas para
encontrar la probabilidad deseada

Ejemplos y ejercicios
Supongamos que sabemos que el peso de
los/as estudiantes universitarios/as sigue una
distribucin aproximadamente normal, con
una media de 140 libras y una desviacin
estndar de 20 libras.

Ejemplo 1
Determine la probabilidad de que una persona tenga un
peso menor o igual a 150 libras

Paso 1 Interpretar grficamente el rea de inters.

Grficamente si decimos que a=150 libras, el rea
de la curva que nos interesa es la siguiente:

Ejemplo 1
Determine la probabilidad de que una persona tenga un
peso menor o igual a 150 libras

Paso 2 - Determinar el valor Z:

X m

150 140
0.50
20

Paso 3 - Buscar en la tabla de probabilidades.

Buscamos en la Tabla 1 el valor Z=0.50 y obtenemos el rea de 0.6915
Paso 4 - Hacer la suma o resta de reas para encontrar la probabilidad
deseada.

Ejemplo 2
Determine la probabilidad de que una persona, elegida al
azar, tenga un peso menor o igual a 115 libras
Paso 1 Interpretar grficamente el rea de inters.
Grficamente si decimos que a=115 libras, el rea de la curva que nos interesa es
la siguiente:

Ejemplo 2
Determine la probabilidad de que una persona, elegida al
azar, tenga un peso menor o igual a 115 libras
Paso 2 - Determinar el valor Z:

X m

115 140

1.25
20

Paso 3 - Buscar en la tabla de probabilidades.

Buscamos en la Tabla el valor Z=-1.25 .

Paso 4 - Hacer la suma o resta de reas para encontrar la probabilidad

deseada = 0.1056

a) Ejercicio para resolver

Una fabrica produce unos tarros de fruta que tiene un peso medio de 2.00 Kg.
Y una desviacin estndar de 0.05. Cul es la probabilidad de que un
determinado tarro pese entre 1.90 y 2.06 Kg.?

b) Ejercicio para resolver

Interpretar grficamente el rea de inters.

En un proceso industrial el dimetro de un cojinete es una parte componente
importante. El comprador establece especificaciones en el dimetro sean de
30+/-0.01 cm. La implicacin es que ninguna parte caiga fuera de estas
especificaciones se aceptar. Se sabe que en el proceso de un cojinete tiene
una distribucin normal con media de 30 y una desviacin estndar de 0.005.
Qu porcentaje de cojinetes se descartan?

La distribucin binomial

Introduccin
En las empresas tenemos muchas situaciones donde se espera
que ocurra o no un evento especfico. ste puede ser de xito o
fracaso sin dar paso a un punto medio. Por ejemplo, en la
produccin de un artculo, ste puede salir bueno o malo. Casi
bueno no es un resultado de inters. Para situaciones como
stas se utiliza la distribucin binomial.

En este mdulo se describe el uso de la distribucin binomial

para obtener la probabilidad de ocurrencia de ese evento que
representa un resultado esperado.

Objetivo general
Esperamos que cuando termines esta presentacin
puedas utilizar la distribucin binomial para obtener
las probabilidades de aquellas situaciones gerenciales
con dos posibles resultados.

Objetivos especficos
Adems, esperamos que puedas:

Identificar las propiedades de una distribucin

binomial.
Determinar los valores de xitos p y fracasos q para
establecer las bases para el cmputo de las
probabilidades.
Establecer el promedio, la varianza y la desviacin
estndar utilizando las variables de la distribucin
binomial.

Utilidad
La distribucin binomial se utiliza en situaciones cuya solucin
tiene dos posibles resultados.
Por ejemplo:
Al nacer un/a beb puede ser varn o hembra.
En el deporte un equipo puede ganar o perder.
En pruebas de cierto o falso slo hay dos alternativas.

Utilidad
Tambin se utiliza cuando el resultado se puede reducir a dos
opciones.
Por ejemplo:
Un tratamiento mdico puede ser efectivo o inefectivo.

La meta de produccin o ventas del mes se pueden o no lograr.

En pruebas de seleccin mltiple, aunque hay cuatro o cinco
alternativas, se pueden clasificar como correcta o incorrecta.
Estos ejemplos los podemos considerar como
experimentos de Bernoulli

Propiedades de un
experimento de Bernoulli
1 - En cada prueba del experimento slo hay dos posibles
resultados: xitos o fracasos.
2 - El resultado obtenido en cada prueba es independiente de los
resultados obtenidos en pruebas anteriores.
3 - La probabilidad de un suceso es constante, la representamos
por p, y no vara de una prueba a otra. La probabilidad del
complemento es 1- p y la representamos por q .
Si repetimos el experimento n veces podemos
obtener resultados para la construccin de la
distribucin binomial.

La distribucin binomial
La distribucin de probabilidad binomial es un ejemplo de
distribucin de probabilidad discreta.
Esta formada por una serie de experimentos de Bernoulli. Los
resutados de cada experimento son mutuamente excluyentes.

Para contruirla necesitamos:

1 - la cantidad de pruebas n
2 - la probabilidad de xitos p
3 - utilizar la funcin matemtica.

La funcin P(x=k)
A continuacin vemos La funcin de probabilidad de la distribucin
Binomial, tambin denominada Funcin de la distribucin de
Bernoulli:

k - es el nmero de aciertos.
n - es el nmero de experimentos.
p - es la probabilidad de xito, como por ejemplo, que salga

"cara" al lanzar la moneda.

1-p - tambin se le denomina como q

Ejemplo1 de la funcin
F(x=k)
Cul es la probabilidad de obtener 6 caras al lanzar una moneda
10 veces?
El nmero de aciertos k es 6. Esto es x=6
El nmero de experimentos n son 10

La probabilidad de xito p, es decir, que salga "cara" al lanzar la

moneda es 50% 0.50
La frmula quedara:

P (k = 6) = 0.205
Es decir, que la probabilidad de obtener 6 caras al lanzar 10 veces
una moneda es de 20.5% .

Ejemplo 2 de la funcin
F(x=k)
Cul es la probabilidad de obtener cuatro veces el nmero 3 al
lanzar un dado ocho veces?
El nmero de aciertos k es 4. Esto es x=4
El nmero de experimentos n son 8
La probabilidad de xito p (probabilidad de que salga un 3 al
tirar el dado) es 1 / 6 (= 0.1666)
La frmula queda:

P (k = 4) = 0.026
Es decir, que la probabilidad de obtener cuatro veces el nmeros
3 al tirar un dado 8 veces es de 2.6%.

Tabla de probabilidad binomial

Utilizando la tabla de probabilidad binomial se pueden resolver los
ejemplos anteriores.
Para esto debe saber los valores k y B (n,p) .
k es el nmero de xitos que buscamos. Este valor se encuentra
entre 0 y n.
En el parmetro B(n,p), n debe ser mayor de 0 y p un valor desde
0 al 1.
En los ejemplos 1 y 2 los parmetros B(n,p) son
B(10,0.50) y B(8,0.1666) respectivamente.

Tabla de probabilidad binomial

Obtenga ms informacin de cmo asignar probabilidades
utilizando las tablas.

Ejemplo 3
B(n,p)

Busque en la tabla de probabilidad binomial

En una fbrica de cmaras el 5% sale con
defectos. Determine la probabilidad de que en
una muestra de 12 se encuentren 2 cmaras
defectuosas.
Solucin :
Se trata de una distribucin binomial de parmetros B(12,
0.05). Debemos calcular la probabilidad de que x sea igual a k
que en este caso es 2. Esto es P (k=2).

Busque en la parte izquierda de la tabla n=12, luego en la parte

superiror p=0.05 . La probabilidad estar en x=2
El resultado es 0.0988

Ejemplo 4
B(n,p)
Compruebe el cmputo utilizando una calculadora
de probabilidad binomial
En una oficina de servicio al cliente se atienden 100
personas diarias. Por lo general 10 personas se van
sin recibir bien el servicio. Determine la
probabilidad de que en una encuesta a 15 clientes
3 no hayan recibido un buen servicio.
Solucin :

Se trata de una distribucin binomial de parmetros B(15, 0.10).

Debemos calcular la probabilidad P(X=3).
El resultado es 0.1285

En resumen
En este mdulo hemos determinado la probabilidad binomial mediante el
uso de la funcin binomial, tablas de distribucin y la calculadora del
enlace. Adems, aprendimos que:

La distribucin binomial se forma de una serie de experimentos de

Bernoulli
La media () en la distribucin binomial se obtiene con el producto de
nxp
La desviacin estndar ( ) en la distribucin binomial se obtiene del
producto de n * p * q
El valor de q es el complemento de p y se obtiene con 1 p.

Ejercicio para resolver

De acuerdo a estadstica de una planta de produccin se tienen fallas en
90 piezas de 600 producidas. Se toma una muestra de 20 piezas
a) Cul es la probabilidad de que hallan 7 fallas.
b) Cul es la probabilidad de que existan entre 2 a 5 fallas.

c) Cul es la probabilidad de tener ms de 4 piezas falladas.

d) Determine la desviacin estndar de amortiguadores con
defectos.

Glosario de trminos

xitos Es la ocurrencia del evento de inters como cantidad de

defectos, llamadas recibidas, servicios completados.

Fracasos Es el complemento de los xitos. Es la ocurrencia del

evento que no es de inters.
Resultados mutuamente excluyentes Son resultados que no pueden
ocurrir al mismo tiempo. Si un producto sale bueno, no puede salir
defectuoso al mismo tiempo.

La distribucin de Poisson

Introduccin
En este mdulo se describe el uso de la distribucin de
Poisson para obtener la probabilidad de ocurrencia de
sucesos raros cuyo resultado lo representa una
variable discreta.
Se recomienda haber estudiado primero los mdulos
de las Reglas de probabilidad, el de Distribucin
normal y luego el de Distribucin Binomial.

Objetivos especficos
Adems, esperamos que puedas:
1.

Identificar las propiedades de una distribucin Poisson.

2.

Determinar los valores de frecuencia p y segmento n para

establecer las bases para el cmputo de las probabilidades.

3.

Determinar el promedio, la varianza y la desviacin estndar

utilizando las variables de la distribucin de Poisson.

Utilidad
La distribucin de Poisson se utiliza en situaciones donde los sucesos son
impredecibles o de ocurrencia aleatoria. En otras palabras no se sabe el
total de posibles resultados.
Permite determinar la probabilidad de ocurrencia de un suceso con
resultado discreto.
Es muy til cuando la muestra o segmento n es grande y la probabilidad
de xitos p es pequea.
Se utiliza cuando la probabilidad del evento que nos interesa se
distribuye dentro de un segmento n dado como por ejemplo distancia,
rea, volumen o tiempo definido.

Ejemplos de la
utilidad
La llegada de un cliente al negocio durante una hora.
Las llamadas telefnicas que se reciben en un da.
Los defectos en manufactura de papel por cada metro producido.
Los envases llenados fuera de los lmites por cada 100 galones de
producto terminado.
La distribucin de Poisson se emplea
para describir procesos con un elemento
en comn, pueden ser descritos por una
variable aleatoria discreta.

Propiedades de un
proceso de Poisson
1.

La probabilidad de observar exactamente un xito en el

segmento o tamao de muestra n es constante.

2.

El evento debe considerarse un suceso raro.

3.

El evento debe ser aleatorio e independiente de otros

eventos
Si repetimos el experimento n veces podemos
obtener resultados para la construccin de la
distribucin de Poisson.

La distribucin de Poisson
La distribucin de probabilidad de Poisson es un ejemplo de
distribucin de probabilidad discreta.
La distribucin de Poisson parte de la distribucin binomial.
Cuando en una distribucin binomial se realiza el experimento
muchas veces, la muestra n es grande y la probabilidad de
xito p en cada ensayo es baja, es aqu donde aplica el
modelo de distribucin de Poisson.
Se tiene que cumplir que:
p < 0.10
p * n < 10

La funcin P(x=k)
A continuacin veremos la funcin de probabilidad de la
distribucin de Poisson.

Donde:
P(X=K) es la probabilidad de ocurrencia cuando la variable discreta
X toma un valor finito k.

= Lambda es la ocurrencia promedio por unidad (tiempo,

volumen, rea, etc.). Es igual a p por el segmento dado. La
constante e tiene un valor aproximado de 2.711828
K es el nmero de xitos por unidad

Ejemplo1 de la funcin
F (x=k)
La probabilidad de que haya un accidente en una compaa de
manufactura es de 0.02 por cada da de trabajo. Si se trabajan 300
das al ao, cul es la probabilidad de tener 3 accidentes?
Como la probabilidad p es menor que 0.1, y el producto n * p es
menor que 10 (300 * 0.02 = 6), entonces, aplicamos el modelo de
distribucin de Poisson:

Al realizar el cmputo tenemos que P(x = 3) = 0.0892

Por lo tanto, la probabilidad de tener 3 accidentes laborales en 300
das de trabajo es de 8.9%.

Ejemplo 2 de la funcin
F(x=k)
La probabilidad de que un producto salga defectuoso es de
0.012. Cul es la probabilidad de que entre 800 productos ya
fabricados hayan 5 defectuosos?
En este ejemplo vemos nuevamente la probabilidad p menor
que 0.1, y el producto n * p menor que 10, por lo que
aplicamos el modelo de distribucin de Poisson:

El resultado es P (x = 5) = 0.04602
Por lo tanto, la probabilidad de que haya 5 productos
defectuosos entre 800 recin producidos es de 4.6%.

Tablas de probabilidad de Poisson

Utilizando la tabla de probabilidad de Poisson se pueden resolver los
ejemplos anteriores.
Para esto, usted debe saber los valores X y .

X es el nmero de xitos que buscamos. Este es el valor K.

es el nmero promedio de ocurrencias por unidad (tiempo, volumen,
rea, etc.). Se consigue multiplicando a p por el segmento dado n.
Del ejemplo 1:

= 0.02 * 300 = 6

Del ejemplo 2:

= 0.012 * 800 = 9.6

Tabla de probabilidad de Poisson

Obtenga ms informacin de cmo asignar probabilidades
utilizando las tablas.

Ejemplo 3
uso de tablas
Busque en los tres enlaces las tablas de probabilidad de Poisson
Resuelva el ejercicio 1 y el 2 por medio de las
tablas.

Para el Ejemplo 1: = 6 y k = 3 accidentes

Para el Ejemplo 2: = 9.6 y k=5 defectos

En resumen
En este mdulo hemos determinado la probabilidad de Poisson mediante
el uso de la funcin de Poisson, las tablas de distribucin y la calculadora
del enlace. Adems, aprendimos que:
1.

La distribucin de Poisson se forma de una serie de experimentos de

Bernoulli.

2.

La media

3.

La varianza (2 ) en la distribucin de Poisson tambin es igual a .

4.

La desviacion estndar es la raz de .

o valor esperado en la distribucin de Poisson es igual a

Ejercicio 1
Un comerciante de verduras tiene conocimiento de que el 3%
de la caja est descompuesta. Si un comprador elige 100
verduras al azar, encuentre la probabilidad de que,
a) las 4 estn descompuestas.

b) de 1 a 3 estn descompuestas
Para resolver la pregunta b repase el
mdulo de las reglas de probabilidad.
En este caso se resuelve sumando las
probabilidades P(x=1) + P(x=2) + P(x=3)
= 0.1494 + 0.2240 + 0.2240

Ejercicio para resolver

La probabilidad de que un dispositivo
electrnico falle es de 0.0025. Si se toman
3000 dispositivos para un anlisis, hallar la
probabilidad de que fallen:
a) 8 dispositivos
b) De 4 a 7 dispositivos
c) Ms de 9 dispositivos
d) Hallar la desviacin estndar