¿Qué es una distribución de probabilidad?

Una distribución de probabilidad muestra los posibles resultados de un experimento y la

probabilidad de que cada uno se presente.

DISTRIBUCIÓN DE PROBABILIDAD: Listado de todos los resultados de un

experimento y la probabilidad asociada con cada resultado.

¿Cómo generar una distribución de probabilidad?

Ejemplo:

Suponga que le interesa el número de caras que aparecen en tres lanzamientos de una
moneda. Tal es el experimento. Los posibles resultados son: cero caras, una cara, dos
caras y tres caras. ¿Cuál es la distribución de probabilidad del número de caras?

Hay ocho posibles resultados. En el primer lanzamiento puede aparecer una cara, una
cruz en el segundo lanzamiento y otra cruz en el tercer lanzamiento de la moneda. O
puede obtener cruz, cruz y cara, en ese orden. Para obtener los resultados del conteo
(5.8), aplique la fórmula de la multiplicación: (2)(2)(2), es decir, 8 posibles resultados.
Estos resultados se listan enseguida.

Lanzamiento de la moneda
Resultado Primero Segundo Tercero Número de
posible Caras
1 C C C 0
2 C C Cr 1
3 C Cr C 1
4 C Cr Cr 2
5 Cr C C 1
6 Cr C Cr 2
7 Cr Cr C 2
8 Cr Cr Cr 3

Observe que el resultado cero caras ocurre sólo una vez; una cara ocurre tres veces; dos
caras, tres veces, y el resultado tres caras ocurre una sola vez. Es decir, cero caras se
presentó una de ocho veces. Por consiguiente, la probabilidad de cero caras es de un
octavo; la probabilidad de una cara es de tres octavos, etc. La distribución de
probabilidad se muestra en la tabla 1. Como uno de estos resultados debe suceder, el
total de probabilidades de todos los eventos posibles es 1.000. Esto siempre se cumple.
La gráfica 1 contiene la misma información.
Tabla y Grafica1:

Distribución de probabilidad de los eventos relativos a cero, una, dos y tres caras en tres
lanzamientos de una moneda

Presentación gráfica del número de caras que resultan de tres lanzamientos de una
moneda y la probabilidad correspondiente.

CARACTERÍSTICAS DE UNA DISTRIBUCIÓN DE PROBABILIDAD

1. La probabilidad de un resultado en particular se encuentra entre 0 y 1, inclusive.
2. Los resultados son eventos mutuamente excluyentes.
3. La lista es exhaustiva. Así, la suma de las probabilidades de los diversos eventos
es igual a 1.

Repase el ejemplo del lanzamiento de una moneda de la tabla 1. La probabilidad de x se

representa P(x). De esta manera, la probabilidad de cero caras es P (0 caras) = 0.125, y
la probabilidad de una cara es P (1 cara) = 0.375, etc. La suma de estas probabilidades
mutuamente excluyentes es de 1; es decir, de acuerdo con la tabla 1, 0.125+ 0.375 +
0.375 + 0.125 = 1.00.
 Variables aleatorias

En cualquier experimento aleatorio, los resultados se presentan al azar; así, a éste se le

denomina variable aleatoria. Por ejemplo, lanzar un dado constituye un experimento:
puede ocurrir cualquiera de los seis posibles resultados. Algunos experimentos dan
origen a resultados de índole cuantitativa (como dólares, peso o número de niños); otros
dan origen a resultados de naturaleza cualitativa (como el color o la afiliación religiosa).
Cada valor de la variable aleatoria se relaciona con una probabilidad que indica la
posibilidad de un resultado determinado. Unos cuantos ejemplos aclararán el concepto
de variable aleatoria.

 Si cuenta el número de empleados ausentes en el turno matutino del lunes, el

número puede ser 0, 1, 2, 3,… El número de ausencias es una variable aleatoria.
 Si pesa cuatro lingotes de acero, los pesos pueden ser de 2 492 libras, 2 497
libras, 2 506 libras, etc. El peso es una variable aleatoria.
 Si lanza dos monedas y cuenta el número de caras, puede caer cero, una o dos
caras. Como el número de caras que resulta de este experimento se debe al azar,
el número de caras que caen es una variable aleatoria.
 Otras variables aleatorias pueden ser el número de focos defectuosos producidos
por hora en Cleveland Company, Inc.; la calidad (9, 10, 11 o 12) de los
miembros del equipo de basquetbol femenil de St. James; el número de
corredores del maratón de Boston en la carrera de 2006 y la cantidad diaria de
conductores multados por conducir bajo la influencia del alcohol en Texas.

VARIABLE ALEATORIA: Cantidad que resulta de un experimento que, por azar,

puede adoptar diferentes valores.

El siguiente diagrama ilustra los términos experimento, resultado, evento y variable

aleatoria. Primero, en el caso del experimento en el que se lanza una moneda tres veces,
hay ocho posibles resultados. En este experimento, interesa el evento de que se presenta
una cara en tres lanzamientos. La variable aleatoria es el número de caras. En términos
de probabilidad, desea saber la probabilidad del evento que tiene una variable aleatoria
igual a 1. El resultado es P (1 cara en 3 lanzamientos) = 0.375.

Una variable aleatoria puede ser discreta o continua.

 Variable aleatoria discreta

Una variable aleatoria discreta adopta sólo cierto número de valores separados. Si hay

100 empleados, el recuento de la cantidad de ausentes el lunes sólo puede ser 0, 1, 2,

3,…, 100. Una variable discreta suele ser resultado de contar algo. Por definición:

VARIABLE ALEATORIA DISCRETA: Variable aleatoria que adopta sólo valores

claramente separados.

A veces, una variable aleatoria discreta asume valores fraccionarios o decimales.

Estos valores deben estar separados: debe haber cierta distancia entre ellos. Por ejemplo,
las calificaciones de los jueces por destreza técnica y formas artísticas en una
competencia de patinaje artístico son valores decimales, como 7.2, 8.9 y 9.7. Dichos
valores son discretos, pues hay una distancia entre calificaciones de 8.3 y 8.4. Una
calificación no puede tener un valor de 8.34 o de 8.347, por ejemplo.

Variable aleatoria continua:

Por otra parte, si la variable aleatoria es continua, es una distribución de probabilidad

continua. Si mide algo, como la anchura de una recámara, la estatura de una persona o
la presión de la llanta de un automóvil, se trata de una variable aleatoria continua. Se
puede suponer una infinidad de valores, con ciertas limitaciones. Por ejemplo:

 Los tiempos de los vuelos comerciales entre Atlanta y Los Ángeles son de 4.67
horas, 5.13 horas, etc. La variable aleatoria es la cantidad de horas.
 La presión, medida en libras por pulgada cuadrada (psi), en un nuevo neumático
Chevy Trail-blazer puede ser de 32.78 psi, 31.62 psi, 33.07 psi, etc. En otras
palabras, es razonable que se presente cualquier valor entre 28 y 35. La variable
aleatoria es la presión de la llanta.

Por lógica, si organiza un conjunto de posibles valores de una variable aleatoria en una
distribución de probabilidad, el resultado es una distribución de probabilidad. Así,
¿Cuál es la diferencia entre una distribución de probabilidad y una variable aleatoria?
Una variable aleatoria representa el resultado particular de un experimento. Una
distribución de probabilidad representa todos los posibles resultados, así como la
correspondiente probabilidad.

Las herramientas que se utilizan, así como las interpretaciones probabilísticas, son
diferentes en el caso de distribuciones de probabilidades discretas y continuas. ¿Cuál
diría que es la diferencia entre los dos tipos de distribuciones? Por lo general, una
distribución discreta es el resultado de contar algo, como:
  El número de caras que se presentan en tres lanzamientos de una moneda.
 El número de estudiantes que obtienen A en clase.
 El número de empleados de producción que se ausentaron hoy en el segundo
turno.
 El número de comerciales de 30 segundos que pasan en la NBC de las 8 a las
11de la noche.

Las distribuciones continuas son el resultado de algún tipo de medición, como:

 La duración de cada canción en el último álbum de Tim McGraw.

 El peso de cada estudiante de esta clase.
 La temperatura ambiente en el momento en que lee este documento.
 La suma de dinero que gana cada uno de los 750 jugadores actuales en la lista de
los equipos de la Liga Mayor de Béisbol.

Media, varianza y desviación estándar de una distribución de probabilidad

Ya hemos estudiado las medidas de ubicación y variación de una distribución de

frecuencias.
La media indica la localización central de los datos, y la varianza describe la dispersión
de los datos. De forma similar, una distribución de probabilidad queda resumida por su
media y su varianza. La media de una distribución de frecuencias se identifica mediante
la letra minúscula griega mu (μ), y la desviación estándar, con sigma (σ).

Media
La media constituye un valor típico para representar la localización central de una
distribución de probabilidad. También es el valor promedio de larga duración de la
variable aleatoria. La media de una distribución de probabilidad también recibe el
nombre de valor esperado. Se trata de un promedio ponderado en el que los posibles
valores de una variable aleatoria se ponderan con sus correspondientes probabilidades
de ocurrir. La media de una distribución de probabilidad discreta se calcula con la
fórmula:
∑[ ( )] ←Formula 1
Aquí P(x) es la probabilidad de un valor particular x. En otras palabras, se multiplica
cada valor x por la probabilidad de que ocurra y enseguida se suman los productos.

Varianza y desviación estándar

Como se observó, la media constituye un valor típico para resumir una distribución de
probabilidad discreta. Sin embargo, ésta no describe el grado de dispersión (variación)
en una distribución. La varianza sí lo hace. La fórmula para la varianza de una
distribución de probabilidad es:
∑[( ) ( )] ←Formula 2
Los pasos para el cálculo son los siguientes:
1. La media se resta de cada valor y la diferencia se eleva al cuadrado.
2. Cada diferencia al cuadrado se multiplica por su probabilidad.
3. Se suman los productos que resultan para obtener la varianza.

La desviación estándar, σ, se determina al extraer la raíz cuadrada positiva de ;

es decir, σ = √ .

Un ejemplo ayudará a explicar los detalles del cálculo e interpretación de la media y la

desviación estándar de una distribución de probabilidad:

John Ragsdale vende automóviles nuevos en Pelican Ford. Por lo general, John vende la
mayor cantidad de automóviles el sábado. Ideó la siguiente distribución de
probabilidades de la cantidad de automóviles que espera vender un sábado determinado.

Cantidad de automóviles
Probabilidad P(x)
vendidos, x
0 .10
1 .20
2 .30
3 .30
4 .10
Total 1.00

1. ¿De qué tipo de distribución se trata?

Se trata de una distribución de probabilidad discreta para la variable aleatoria
denominada número de automóviles vendidos. Observe que John sólo espera vender
cierto margen de automóviles; no espera vender 5 automóviles ni 50. Además, no puede
vender medio automóvil. Sólo puede vender 0, 1, 2, 3 o 4 automóviles. Asimismo, los
resultados son mutuamente excluyentes: no puede vender un total de 3 y 4 automóviles
el mismo sábado.

2. ¿Cuántos automóviles espera vender John un sábado normal?

La media de la cantidad de automóviles vendidos se calcula al multiplicar el número de
automóviles vendidos por la probabilidad de vender dicho número, y sumar los
productos de acuerdo con la fórmula (1):

∑[ ( )]

= 0(.10)+1(.20)+2(.30)+3(.30)+4(.10)

=2.1
Estos cálculos se resumen en la siguiente tabla.

Numero de automóviles Probabilidad P(x) x∙P(X)

vendidos, x
0 .10 0.00
1 .20 0.20
2 .30 0.60
3 .30 0.90
4 .10 0.40
Total 1.00 µ= 2.10

¿Cómo interpretar una media de 2.1? Este valor indica que, a lo largo de una gran
cantidad de sábados, John Ragsdale espera vender un promedio de 2.1 automóviles por
día. Por supuesto, no es posible vender exactamente 2.1 automóviles un sábado en
particular. Sin embargo, el valor esperado se utiliza para predecir la media aritmética de
la cantidad de automóviles vendidos a la larga. Por ejemplo, si John trabaja 50 sábados
en un año, puede esperar vender (50) (2.1) o 105 automóviles sólo los sábados. Por
consiguiente, a veces la media recibe el nombre de valor esperado.

3. ¿Cuál es la varianza de la distribución?

De nuevo, una tabla resulta útil para sistematizar los cálculos de la varianza, que es de
1.290.

Número de Probabilidad (x- µ) ( ) ( ) P(x)

automóviles P(x)
vendidos, x
0 .10 0 – 2.1 4.41 0.441
1 .20 1 – 2.1 1.21 0.242
2 .30 2 – 2.1 0.01 0.003
3 .30 3 – 2.1 0.81 0.243
4 .10 4 – 2.1 3.61 0.361
= 1.290

Recuerde que la desviación estándar, σ, es la raíz cuadrada positiva de la varianza. En

este ejemplo es √ = √ = 1.136 automóviles. ¿Cómo interpretar una desviación
estándar de 1.136 automóviles? Si la vendedora Rita Kirsch también vendió un
promedio de 2.1 automóviles los sábados y la desviación estándar en sus ventas fue de
1.91 automóviles, concluiría que hay más variabilidad en las ventas sabatinas de Kirsch
que en las de Ragsdale (pues 1.91 > 1.136).