Universidad Estatal de Sonora

Materia
Estadística

Carrera
Licenciatura en Contaduría

Nombre del Trabajo

Distribuciones de probabilidad

Docente
Lorena Fernández Sesma

Alumno
Flores Barrón Lizbeth Adilene

Hermosillo, Sonora 17 de marzo del 2024

 DISTRIBUCION DE PROBABILIDAD

Una distribución de probabilidad muestra los posibles resultados de un experimento

y la probabilidad de que cada uno se presente. Listado de todos los resultados de un
experimento y la probabilidad asociada con cada resultado.

DISTRIBUCION DE PROBABILIDAD BINOMINAL

La distribución de probabilidad binomial es una distribución de probabilidad discreta

que se presenta con mucha frecuencia. Una característica de una distribución
binomial consiste en que sólo hay dos posibles resultados en determinado intento de
un experimento.
Otra característica de la distribución binomial es
el hecho de que la variable aleatoria es el
resultado de conteos. Es decir, se cuenta el
número de éxitos en el número total de pruebas.
Una tercera característica de una distribución
binomial consiste en que la probabilidad de
éxito es la misma de una prueba a otra. Dos
ejemplos son: • La probabilidad de que adivine
la primera pregunta de una prueba de
verdadero o falso (éxito) es de un medio. Ésta
constituye la primera prueba. La probabilidad de que adivine la segunda pregunta
(segunda prueba) también es de un medio; la probabilidad de éxito en la tercera
prueba es de otro medio, y así sucesivamente.
La última característica de una distribución de probabilidad binomial consiste en que
cada prueba es independiente de cualquiera otra. Que sean independientes significa
que no existen patrones en las pruebas. El resultado de una prueba en particular no
influye en el resultado de otra prueba.

MEDIA DE UNA DISTRIBUCIÓN BINOMIAL μ = nπ

VARIANZA DE UNA DISTRIBUCIÓN BINOMIAL σ 2 = nπ (1 – π)

Ejemplo: el enunciado en una pregunta de cierto o falso es o cierto o falso. Los

resultados son mutuamente excluyentes, lo cual significa que la respuesta a una
pregunta de cierto o falso no puede ser al mismo tiempo cierta o falsa.
Un producto se clasifica como aceptable o inaceptable por el departamento de
control de calidad; un trabajador se clasifica como empleado o desempleado, y una
llamada da como resultado que el cliente compre el producto o no lo compre.
 DISTRIBUCION DE PROBABILIDAD DE POISSON

La distribución de probabilidad de Poisson describe el número de veces que se

presenta un evento durante un intervalo específico. El intervalo puede ser de tiempo,
distancia, área o volumen. La distribución se basa en dos supuestos.
El primero consiste en que la probabilidad es proporcional a la longitud del intervalo.
El segundo supuesto consiste en que los intervalos son independientes. En otras
palabras, cuanto más grande sea el intervalo, mayor será la probabilidad, y el
número de veces que se presenta un evento en un intervalo no influye en los demás
intervalos. La distribución también constituye una forma restrictiva de la distribución
binomial cuando la probabilidad de un éxito es muy pequeña y n es grande. A ésta
se le conoce por lo general con el nombre de ley de
eventos improbables, lo cual significa que la
probabilidad, π, de que ocurra un evento en particular
es muy pequeña. La distribución de Poisson es una
distribución de probabilidad discreta porque se genera
contando.
La distribución de probabilidad de Poisson se
caracteriza por el número de veces que se presenta un
evento durante un intervalo o continuo.

Ejemplos:
• El número de palabras mal escritas por página en un periódico.
• El número de llamadas por hora que recibe Dyson Vacuum Cleaner
Company.
• El número de vehículos vendidos por día en Hyatt Buick GMC, en Durham,
Carolina del Norte.
• El número de anotaciones en un encuentro de fútbol colegial.

Características:
1. La variable aleatoria es el número de veces que ocurre un evento durante un
intervalo definido.
2. La probabilidad de que ocurra el evento es proporcional al tamaño del intervalo.
3. Los intervalos no se superponen y son independientes.

MEDIA DE UNA DISTRIBUCIÓN DE POISSON μ = nπ

La varianza de Poisson también es igual a su media. Si, por ejemplo, la probabilidad

de que un cheque cobrado en un banco rebote es de 0.0003 y se cobran 10 000
cheques, la media y la varianza del número de cheques rebotados es de 3.0, que se
determina mediante la operación μ = nπ = 10 000(.0003) = 3.0.
 DISTRIBUCION DE PROBABILIDAD CONTINUA

Una distribución continua describe las probabilidades de los posibles valores de una
variable aleatoria continua. Una variable aleatoria continua es una variable aleatoria
con un conjunto de valores posibles (conocido como el rango) que es infinito y no se
puede contar. resulta de medir algo, como la distancia del dormitorio al salón de
clases, el peso de un individuo o la cantidad de bonos que ganan los directores
ejecutivos.
Cuando examinamos una distribución continua, la información que nos interesa es el
porcentaje de estudiantes que viajan menos de 10 millas o el porcentaje que viaja
más de 8 millas. En otras palabras, en el caso de una distribución continua, quizá
desee conocer el porcentaje de observaciones que se presentan dentro de cierto
margen. Es importante señalar que una variable aleatoria continua tiene un número
infinito de valores dentro de cierto intervalo particular.

DISTRIBUCION DE PROBABILIDAD NORMAL

La distribución normal nos permite crear modelos de muchísimas variables y

fenómenos.
La distribución normal es un modelo teórico que aproxima el comportamiento de una
variable aleatoria a una situación ideal, utilizando la media y la desviación típica
como parámetros clave.

Ejemplo:
• La estatura de los habitantes de un país.
• La temperatura ambiental de una ciudad.
• Los errores de medición y muchos otros fenómenos naturales, sociales y
hasta psicológicos.

Características principales:
1. Tiene forma de campana y posee una sola cima en el centro de la distribución. La
media aritmética, la mediana y la moda son iguales, y se localizan en el centro de la
distribución. El área total bajo la curva es de 1.00. La mitad del área bajo la curva
normal se localiza a la derecha de este punto central, y la otra mitad, a la izquierda.
2. Es simétrica respecto de la media. Si hace un corte vertical, por el valor central, a
la curva normal, las dos mitades son imágenes especulares.
3. Desciende suavemente en ambas direcciones del valor central. Es decir, la
distribución es asintótica. La curva se aproxima más y más al eje X, sin tocarlo en
realidad. En otras palabras, las colas de la curva se extienden indefinidamente en
ambas direcciones.
4. La localización de una distribución normal se determina a través de la media, μ.
La dispersión o propagación de la distribución se determina por medio de la
desviación estándar, σ
No sólo existe una distribución de probabilidad normal, sino una familia.

Se comparan las distribuciones de probabilidad del tiempo de servicio de los

empleados de tres diferentes plantas. En la planta de Camden, la media es de 20
años, y la desviación estándar, de 3.1 años. Existe otra distribución de probabilidad
normal para el tiempo de servicio en la planta de Dunkirk, donde μ = 20 años y σ =
3.9 años. En la planta de Elmira, μ = 20 años y σ = 5.0 años. Observe que las
medias son las mismas, pero las desviaciones estándares difieren.

Muestra la distribución de los pesos de las cajas de tres cereales. Los pesos tienen
una distribución normal con diferentes medias e idénticas desviaciones estándares.
Muestra tres distribuciones normales con diferentes medias y desviaciones
estándares. Éstas muestran la distribución de fuerzas de tensión, medidas en libras
por pulgada cuadrada (psi) para tres clases de cables.

DISTRIBUCION DE PROBABILIDAD NORMAL ESTANDAR

La distribución de probabilidad normal estándar y es única, pues tiene una media

de 0 y una desviación estándar de 1. Cualquier distribución de probabilidad normal
puede convertirse en una distribución de probabilidad normal estándar al restar la
media de cada observación y dividir esta diferencia entre la desviación estándar.
Los resultados reciben el nombre de valores z o valores tipificados.

Ejemplos:
o Alturas de personas.
o Errores de medición.
o Tiempo de entrega.

X es el valor de cualquier observación y medición.

μ es la media de la distribución.
σ es la desviación estándar de la distribución.
Ejemplo:

Regla empírica

1. Cerca de 68% del área bajo la curva normal se encuentra a una desviación
estándar de la media. Esto se puede escribir como μ ± 1σ.
2. Alrededor de 95% del área bajo la curva normal se encuentra a dos desviaciones
estándares de la media. Esto se puede escribir como μ ± 2σ.
3. Prácticamente toda el área bajo la curva se encuentra a tres desviaciones
estándares de la media, la de 68% del área bajo la curva normal se encuentra a
una desviación estándar de la media lo cual se escribe μ ± 3σ.
 REFERENCIAS BIBLIOGRAFICAS

Douglas A. Lind, William G. Marchal, and Samuel A. Wathen (2008). Estadística

aplicada a los negocios y la economía (13th ed.). McGraw-Hill Education.