1

Aplicaciones De Las Distribuciones De Probabilidad

Ivan Morales Betancourt

Laura Niño Serna
Mateo Vergara Roa

Estadística Inferencial
Universidad Cooperativa de Colombia
 2

Introducción
Las distribuciones de probabilidad son herramientas estadísticas esenciales para el análisis
de datos y la toma de decisiones en diversos campos, incluyendo la economía, el sector
empresarial y la contabilidad.
En la economía, las distribuciones de probabilidad son fundamentales para el análisis de los
mercados y la toma de decisiones en la inversión, ya que facilitan el modelado de estas
relaciones, y permiten a los economistas medir la probabilidad de que ocurran ciertos eventos
en un mercado o en la economía en general.
Las distribuciones de probabilidad son importantes para la toma de decisiones sobre la
inversión, la producción y la gestión de riesgos. Estas permiten a las empresas medir la
probabilidad de que ciertos eventos ocurran en el futuro y facilita la toma decisiones sobre la
inversión y producción.
Estas son esenciales para el análisis de riesgos financieros y la evaluación de la calidad de
los procesos de producción. Las distribuciones de probabilidad permiten a los contadores
modelar el comportamiento de ciertas variables financieras, como el precio de un activo
financiero o la frecuencia de reclamaciones de un seguro, y evaluar el riesgo asociado con
diferentes cursos de acción.

Marco Teórico

Distribución Binomial
Se considera que un experimento binomial cuenta con 4 propiedades, las cuales son:
1. El experimento consiste en una serie de n ensayos idénticos.

2. En cada ensayo hay dos resultados posibles. A uno de estos resultados se le llama
éxito y al otro se le llama fracaso.
3. La probabilidad de éxito, que se denota p, no cambia de un ensayo a otro. Por ende,
la probabilidad de fracaso, que se denota 1 - p, tampoco cambia de un ensayo a otro.

4. Los ensayos son independientes.

La distribución binomial modela la probabilidad de que ocurran x éxitos en n ensayos

independientes, donde la probabilidad de éxito en cada ensayo es p. La distribución se define
por los siguientes parámetros: n, el número de ensayos independientes; p, la probabilidad de
éxito en cada ensayo; y x, el número de éxitos deseados en n ensayos. La función de
probabilidad de la distribución binomial se define como se observa en la siguiente figura:
 3

donde "n combinatoria x" es el coeficiente binomial que representa el número de formas en
que se pueden elegir k elementos de un conjunto de n elementos.
La distribución binomial tiene varias propiedades importantes que la hacen una herramienta
útil en el análisis de datos. Por ejemplo, la media de la distribución binomial se puede calcular
como np, y la varianza se puede calcular como np*(1-p). Además, la distribución binomial
se puede aproximar por la distribución normal cuando n es grande y p no está demasiado
cerca de 0 o 1, lo que se conoce como la aproximación normal a la distribución binomial.
La función de probabilidad binomial es aplicable a cualquier experimento binomial. Si
encuentra que una situación presenta las propiedades de un experimento binomial y conoce
los valores de n y p.
Valor Esperado
El valor esperado, o media, de una variable aleatoria es una medida de la localización central
de la variable aleatoria. A continuación, se da la fórmula para obtener el valor esperado de
una variable aleatoria x.

Valor esperado de una variable aleatoria discreta

𝐸(𝑥) = 𝜇 = 𝛴𝑥𝑓(𝑥)

Las dos notaciones E(x) y μ se usan para denotar el valor esperado de una variable aleatoria
x. La ecuación indica que para calcular el valor esperado de una variable aleatoria discreta se
multiplica cada valor de la variable aleatoria por su probabilidad correspondiente f(x) y
después se suman estos productos

Varianza
Aunque el valor esperado proporciona el valor medio de una variable aleatoria, también suele
ser necesaria una medida de la variabilidad o dispersión. se usa la varianza para resumir la
variabilidad en los valores de la variable aleatoria
 4

Distribución de Poisson
La distribución de Poisson es una de las distribuciones más populares, se usa comúnmente
para el modelado de datos discretos.

Fórmula de la distribución de Poisson.

Donde, e es el número de Euler, lambda es el número de eventos por intervalo de tiempo y k

las ocurrencias del evento.
Este tipo de distribución se usa para estudiar procesos que pueden ser descritos mediante
variables aleatorias discretas que toman valores enteros. Los procesos descritos en esta
distribución tienen la característica describir el número de veces que ocurre un evento en
función del tiempo.

Distribución de probabilidad normal

La distribución de probabilidad normal es la más utilizada para realizar y describir variables
aleatorias continuas, esta distribución tiene gran cantidad de aplicaciones prácticas, algunos
ejemplos de variables aleatorias pueden ser el peso y la estatura de las personas, resultados
de exámenes, resultados médicos y demás situaciones similares.
En la distribución normal también se tiene una importante aplicación e inferencia estadística,
la distribución normal ayuda a describir que tan probables son los resultados obtenidos de un
muestreo.

Curva en forma de campana de una distribución normal

 5

Función de densidad de probabilidad normal.

1 (𝑥−𝜇)2
−
𝑓(𝑥) = 𝑒 2𝜎
𝜎√2𝜋

donde, 𝜇 es la media y 𝜎 es la desviación estándar. 𝜋 y e, son constantes matemáticas.

A continuación, se presentan características de distribución normal:

1. Toda la familia de distribuciones normales se diferencia por medio de dos parámetros: la
media μ y la desviación estándar σ.
2. El punto más alto de una curva normal se encuentra sobre la media, la cual coincide con
la mediana y la moda.
3. La media de una distribución normal puede tener cualquier valor: negativo, positivo o cero.
A continuación, se muestran tres distribuciones normales que tienen la misma desviación
estándar, pero diferentes medias. (10, 0 y 20)

4. La distribución normal es simétrica, siendo la forma de la curva normal al lado izquierdo

de la media, la imagen especular de la forma al lado derecho de la media. Las colas de la
curva normal se extienden al infinito en ambas direcciones y en teoría jamás tocan el eje
horizontal. Dado que es simétrica, la distribución normal no es sesgada; su sesgo es cero.
5. La desviación estándar determina qué tan plana y ancha es la curva normal. Desviaciones
estándar grandes corresponden a curvas más planas y anchas, lo cual indica mayor
variabilidad en los datos.
A continuación, se muestran dos curvas normales que tienen la misma media, pero distintas
desviaciones estándar.
 6

6. Las probabilidades correspondientes a la variable aleatoria normal se dan mediante áreas

bajo la curva normal. Toda el área bajo la curva de una distribución normal es 1. Como esta
distribución es simétrica, el área bajo la curva y a la izquierda de la media es 0.50 y el área
bajo la curva y a la derecha de la media es 0.50.
 7

Ejercicios de Distribuciones de Probabilidad

Distribución Binomial
En una empresa de Villavicencio, se sabe que el 60% de los trabajadores fuma. Se selecciona
una muestra aleatoria de 10 trabajadores de la empresa.
a) ¿Cuál es la probabilidad de que exactamente 7 de los trabajadores de la muestra fumen?
b) ¿Cuál es la probabilidad de que al menos 5 de los trabajadores de la muestra fumen?

Solución:
a) n = 10 y p = 0.6, la probabilidad de que exactamente 7 de los trabajadores de la muestra
fumen es:

10
𝑃(𝑋 = 7) = ( ) ∗ 0,67 ∗ 0,43 = 0.21
7

b) Para calcular la probabilidad de que al menos 5 de los trabajadores fumen, se utiliza la

fórmula de la distribución binomial para:
10
𝑃(𝑋 = 5) = ( ) ∗ 0,65 ∗ 0,45 = 0.2006
5
10
𝑃(𝑋 = 6) = ( ) ∗ 0,66 ∗ 0,44 = 0.2508
6
10
𝑃(𝑋 = 7) = ( ) ∗ 0,67 ∗ 0,43 = 0.2149
7
10
𝑃(𝑋 = 8) = ( ) ∗ 0,68 ∗ 0,42 = 0.1209
8
10
𝑃(𝑋 = 9) = ( ) ∗ 0,69 ∗ 0,41 = 0.0403
9
10
𝑃(𝑋 = 10) = ( ) ∗ 0,610 ∗ 0,40 = 0.0060
10
𝑃(𝑋 ≥ 5) = 𝑃(𝑋 = 5) + 𝑃(𝑋 = 6)+𝑃(𝑋 = 7)+𝑃(𝑋 = 8)+𝑃(𝑋 = 9)+𝑃(𝑋 = 10) = 0.8335

Por lo tanto, la probabilidad de que al menos 5 de los trabajadores de la muestra fumen es de

aproximadamente 0.833.
 8

Distribución de Poisson
En el hospital departamental de Villavicencio se registra que llegan 10 ambulancias cada
hora.
a) Determinar la probabilidad de que lleguen como máximo 4 ambulancias en la siguiente
hora.
b) ¿Cuál es la probabilidad de que lleguen exactamente 23 ambulancias en las siguientes 5
horas?

Solución
a) Datos:
λ = 10 𝑃(𝑋 ≤ 4) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) + 𝑃(𝑋 = 4)

100
𝑃(𝑋 = 0) = 𝑒 −10 = 0.00004
0!
101
𝑃(𝑋 = 1) = 𝑒 −10 = 0.000045
1!
102
𝑃(𝑋 = 2) = 𝑒 −10 = 0.0022
2!
103
𝑃(𝑋 = 3) = 𝑒 −10 = 0.0075
3!

−10
104
𝑃(𝑋 = 4) = 𝑒 = 0.0189
4!
𝑃(𝑋 ≤ 4) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) + 𝑃(𝑋 = 4) = 0.028

Por lo tanto, la probabilidad de que lleguen máximo 4 ambulancias es de 0.028.

b) Datos:
λ = 10 → λ = 50

−50
5023
𝑃(𝑋 = 23) = 𝑒 = 0.00000889
23!
La probabilidad de que en las próximas 5 horas lleguen 23 ambulancias es de 0.0000088
 9

Distribución Normal
En Villavicencio un estudiante gasta en promedio 12500 pesos al día. Suponga que la
desviación estándar es de 4230 y el gasto está distribuido normalmente.
a) ¿Cuál es la probabilidad de que un estudiante gaste menos de 10200 pesos?
b) ¿Cuál es la probabilidad de que un estudiante gaste más de 15000 pesos?

Solución
a) Estandarizar
10200 − 12500
𝑧= = −0.54
4230
Entonces,
𝑃(𝑥 < 10200) es igual a 𝑃(𝑧 < −0.54)
𝑃(𝑧 < −0.54) = 0.2946
Por lo tanto, la probabilidad de que un estudiante gaste menos de 10200 pesos es de 0.2946.

b) Estandarizar
15000 − 12500
𝑧= = 0.59
4230
Entonces,
𝑃(𝑥 > 15000) es igual a 𝑃(𝑧 < 0.59)
𝑃(𝑧 > 0.59) = 1 − 𝑃(𝑧 < 0.59)
𝑃(𝑧 > 0.59) = 1 − 0.7224
𝑃(𝑧 > 0.59) = 0.2776
Por lo tanto, la probabilidad de que un estudiante gaste más de 15000 pesos es de 0.2776.
 10

Conclusiones
Las distribuciones de probabilidad son herramientas matemáticas fundamentales para
modelar la variabilidad de los datos en diversos campos. Los modelos de distribución de
probabilidad permiten a los profesionales realizar análisis de riesgo, simulaciones y
pronósticos precisos, lo que les permite tomar mejores decisiones.
En pocas palabras, las distribuciones de probabilidad son una esenciales para el análisis
estadístico de datos y a través de su uso los profesionales pueden calcular probabilidades de
eventos futuros y trabajar sobre bases matemáticas la evaluación de riesgos gracias a la
reducción de incertidumbre que aportan las distribuciones.

Referencias Bibliográficas

Anderson, D. R., Sweeney, D. J., & Williams, T. A. (2016). Estadística para

administración y economía (10th ed.). Cengage Learning.
Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2018). Probability and
statistics for engineers and scientists (9th ed.). Pearson.
Blitzstein, J. K. (2019). Introduction to probability (2nd ed.). Chapman and Hall/CRC.