ESTADÍSTICA PARA LA

ADMINISTRACIÓN

Distribuciones de Probabilidad

Diapositiva 1
 Distribución de Frecuencias Vs.
Distribución de Probabilidades
● Distribución de Frecuencias – Listado de
todos los resultados observados de un
experimento.
● Distribución de Probabilidades – Listado de
las probabilidades de todos los posibles
resultados que pudieran ocurrir de un
experimento.
 Resultados Posibles
▪ Experimento:
▪ Lanzar una moneda tres veces al aire.
▪ Evento
▪ Obtener SELLOS en los tres lanzamientos.
▪ Resultados Posibles (Variables Aleatorias)
▪ 0 Sellos
▪ 1 Sello
▪ 2 Sellos
▪ 3 Sellos

Diapositiva 3
 C CCC (0 0.53=0.125
)
C
S CCS (1 0.53=0.125
)
C CSC (1 0.53=0.125
C S )

S CSS (2 0.53=0.125
Número de Sellos C
)
SCC (1 0.53=0.125
)
S C
S SCS (2 0.53=0.125
)
C SSC (2 0.53=0.125
S
)

S (3 0.53=0.125
SSS
)
Diapositiva 4
 Experimento:
Lanzar una moneda 3 veces al aire
Evento: Número de Sellos

Diapositiva 5
 Experimento:
Lanzar una moneda 3 veces al aire
Evento: Número de Sellos

Diapositiva 6
 VARIABLE
PROBABILIDAD
ALEATORIA

▪ Variable Aleatoria: Variable X = Número de sellos

▪ Valores de la Variable X🡪 x (0, 1, 2, 3).
▪ P(X=x) o f(x) 🡪 Probabilidad de que la V.A. X tome el valor x
▪ P(X=0) = 0.125 f(0) = 0.125
▪ P(X=1) = 0.375 f(1) = 0.375
▪ P(X=2) = 0.375 f(2) = 0.375
▪ P(X=3) = 0.125 f(3) = 0.125

Diapositiva 7
 Variable Aleatoria
▪ Resultado de un experimento que toma
diferentes valores.
▪ Números que resultan de lanzar un dado.
(1,2,3,4,5,6)
▪ Cantidad de caras o sellos al lanzar una moneda.
▪ Puede ser discreta o continua.

Diapositiva 8
 Tipos de Variables Aleatorias
▪ Variable aleatoria discreta
▪ Usualmente un número entero (0, 1, 2, 3 etc.)
▪ Obtenida por conteo.

▪ Variable aleatoria continua

▪ Puede asumir cualquier valor dentro de un rango
dado.
▪ Obtenida por mediciones.

Diapositiva 9
 Características de la Distribución
de Probabilidad Discreta
▪ Contiene todos los valores posibles de la Variable X, cada
uno con su Probabilidad asociada, P(X).
▪ Mutuamente Excluyentes y Colectivamente exhaustivos
▪ 0 ≤ P(Xi) ≤ 1
▪ Σ P(Xi) = 1
P(X=0) = 0.125
P(X=1) = 0.375
P(X=2) = 0.375
P(X=3) = 0.125

Diapositiva 10
 Función de Distribución
Acumulativa
▪ Para una variable aleatoria X, el valor de la
Función de Distribución Acumulativa F(x), es
la probabilidad de que X tome los valores
menores o iguales a x.

Diapositiva 11
 Valor Esperado de una
Distribución de Probabilidad
▪ Se denota E(X).
▪ Media de la Distribución de Probabilidad (μ)
▪ Media Pesada de los valores de X.
▪ Las probabilidades actúan como pesos (suman 1).

Diapositiva 12
 Valor Esperado de una
Distribución de Probabilidad
P(X=0) = 0.125 🡪 0 x 0.125 = 0
P(X=1) = 0.375 🡪 1 x 0.375 = 0.375
P(X=2) = 0.375 🡪 2 x 0.375 = 0.750
P(X=3) = 0.125 🡪 3 x 0.125 = 0.375
Suma: 1.5

Diapositiva 13
 Varianza de una
Distribución de Probabilidad
▪ Se denota VAR(X) o σ2.
▪ Es el valor esperado (promedio) de las desviaciones
cuadráticas de cada valor x de la Variable Aleatoria X.

Diapositiva 14
 Desviación Estándar de una
Distribución de Probabilidad
▪ Raíz Cuadrada de la
Varianza.

Diapositiva 15
 Ejemplo 1
▪ Una tienda de autos ha establecido la siguiente distribución de
probabilidades de los autos que espera vender un día sábado en
particular:
Número de autos vendidos Probabilidades
0 0.10
1 0.20
2 0.30
3 0.30
4 0.10

▪ En un día sábado, ¿cuántos autos se debe esperar vender?

▪ ¿Cuál es la varianza de la distribución?

Diapositiva 16
 Ejemplo 2
En mi última visita a Londres, apareció un anuncio de la London Business School ofreciendo
un puesto de profesor part time de Estadística con un salario de 150,000 libras anuales; ser
ciudadano británico no era requisito necesario. El salario era relativamente bajo para el
puesto por lo que supuse que ningún ciudadano británico respetable estaría interesado en ese
trabajo. Fui a preguntar a un colega matemático de la misma universidad si debía o no
postular al puesto. Por entonces no sabía ni una palabra de inglés, pero estaba dispuesto a
jurar que mis conocimientos eran los suficientes.

"Déjame pensar", me dijo. "Estimaría que la probabilidad de que consigas el trabajo es de

una entre cien mil … ¿Me debería presentar al puesto?

Luego me dijo: Si multiplicas esto por ciento cincuenta mil libras, tienes 1.5 libras. Eso es
mucho más de lo que cuesta enviar la carta, así que deberías hacerlo".

Lo hice, pero el trabajo fue al final para un ciudadano británico, después de todo, sí que
había alguno interesado. Olvidé considerar el tiempo de crisis y desempleo que se está
viviendo en Europa!

Adaptado de: Marc Kac, en Enigmas of Chance (1985)

17
 Modelos de Distribuciones de
Probabilidad Discretas
Distribuciones de
Probabilidad Discretas

Binomia Poisson
l

Diapositiva 18
 Distribuciones de
Probabilidad Discretas

Distribución Binomial

Diapositiva 19
 Distribución Binomial
▪ La totalidad del experimento está compuesto por una
secuencia de intentos o ensayos idénticos.
▪ En cada intento o ensayo hay dos posibles resultados,
mutuamente excluyentes: éxito o fracaso.
▪ La probabilidad de éxito (p) permanece constante de
ensayo a ensayo. La probabilidad de fracaso (q) es el
complemento de p, es decir, 1-p.
▪ Los ensayos o intentos son estadísticamente
independientes.

Diapositiva 20
 Probabilidad en una
Distribución Binomial

▪ p= probabilidad de éxito de cada intento

▪ q= probabilidad de fracaso de cada intento
▪ n= número de intentos realizados.
▪ r= número de éxitos deseados.

Diapositiva 21
 Tendencia Central y Dispersión
en la Distribución Binomial
▪ Media o Valor Esperado

▪ Varianza

▪ Desviación Estándar

Diapositiva 22
 Ejemplo 2
Una compañía que vende por
teléfono un solo artículo, ha
vendido 20 artículos en las últimas
100 llamadas. Si durante un turno
se llaman a 12 clientes, ¿cuál es la
probabilidad de:
A. No hacer ninguna venta?
B. Hacer exactamente 2 ventas?
C. Hacer como máximo 2 ventas?
D. Hacer al menos 2 ventas?

Diapositiva 23
 Distribuciones
Discretas

Distribución de Poisson

Diapositiva 24
 Distribución de Poisson
▪ Las ocurrencias de un evento pueden ser descritas en términos
de una variable aleatoria discreta.
▪ Existe un régimen que caracteriza el proceso (número de
ocurrencias por intervalo de tiempo o espacio).
▪ Se usa para describir las distribuciones de probabilidad de:
▪ Número de llegadas de clientes.
▪ Número de llamadas telefónicas en una central.
▪ Número de accidentes.
▪ Número de llegadas de vehículos.
▪ Número de defectos observados en longitudes, superficies, u objetos.

Diapositiva 25
 Probabilidad en una
Distribución de Poisson

▪ λ= promedio de ocurrencias por intervalo de tiempo o

espacio.
▪ e= 2.71828 Base de logaritmos neperianos o naturales.

Diapositiva 26
 Tendencia Central y Dispersión
en la Distribución Poisson
▪ Media o Valor Esperado

▪ Varianza

▪ Desviación Estándar

Diapositiva 27
 Ejemplo 3
Si en promedio llegan 3
clientes por minuto al banco
durante la hora del
almuerzo, cual es la
probabilidad de que en un
minuto dado, lleguen
exactamente dos clientes,
lleguen menos de dos
clientes, y lleguen más de
dos clientes?

Diapositiva 28
 Ejemplo 4
Los clientes llegan a la
ventanilla a un régimen
de 72 por hora. ¿Cuál es
la probabilidad de que 4
clientes lleguen en un
lapso de 3 minutos?

Diapositiva 29
 Distribuciones de
Probabilidad Continuas

Distribución Normal

Diapositiva 30
 Distribución normal
Sin duda la distribución continua de
probabilidad más importante, por la
frecuencia con que se encuentra y por sus
aplicaciones teóricas, es la distribución
normal, gaussiana o de Laplace- Gauss.
Fue descubierta y publicada por primera vez
Pierre Simon de Laplace en 1733 por De Moivre. A la misma
(1749-1827)
llegaron, de forma independiente, Laplace
(1812) y Gauss (1809), en relación con la
teoría de los errores de observación
astronómica y física.

Adaptado del curso del profesor Bartolomé Luque Serrano de

la Universidad Politécnica de Madrid
Karl F. Gauss
(1777-1855)
 ¿Dónde la encontramos?
Caracteres morfológicos de individuos (personas, animales, plantas,...) de una especie (tallas,
pesos, diámetros, perímetros,...).
Caracteres sociológicos, por ejemplo: consumo de cierto producto por un
mismo grupo de individuos, puntuaciones de examen, ...
Caracteres fisiológicos, por ejemplo: efecto de una misma dosis de un fármaco.

Errores cometidos al medir ciertas magnitudes.

Valores estadísticos muestrales, por ejemplo : la media.
Y en general cualquier característica que se obtenga como suma de muchos factores. 
Otras distribuciones como la binomial o la de Poisson se aproximan
a la normal.
 Distribución normal o gaussiana
▪ Está caracterizada por dos parámetros: la media, μ y la desviación
típica, σ.

▪ Su función de densidad es:

La curva normal adopta un número infinito de formas,

determinadas por sus parámetros μ y σ.
 Características de la distribución Normal
• Tiene forma de campana, es asintótica al eje de las abscisas (para x = ±∞ )
• Simétrica con respecto a la media (μ) donde coinciden la mediana (Mn) y la moda (Mo )
• Los puntos de inflexión tienen como abscisas los valores μ ± σ

Puntos
de
inflexión

−∞ σ σ +∞
μ - σ μ, Mo, Mn μ + σ
 Distribución normal con μ =0 para varios valores σ
1.6

1.2 σ=0.
σ=0
25
σ=
.5
p(x) 0.8 1

0.4

0
-2.50 -1.50 -0.50 0.50 1.50 2.50
x
 20 30 40 50 60 70 80 90 100 110 120

Curvas normales con distintas medias y

desviaciones estándar.
 N(μ, σ): Interpretación probabilista

▪ Entre la media y una desviación

típica tenemos siempre la
misma probabilidad:
aproximadamente el 68%.

• Entre la media y dos

desviaciones típicas aprox. 95%

• Si tomamos intervalos centrados en μ, y cuyos extremos están…

–a distancia σ,🡺 tenemos probabilidad 68%
–a distancia 2 σ, 🡺 tenemos probabilidad 95%
–a distancia 2.5 σ 🡺 tenemos probabilidad 99%
 Valores Z

Distribución Normal

Diapositiva 38
 ¿Cómo calcular probabilidades asociadas
a una curva normal específica?

Dado que tanto μ como σ pueden asumir infinitos valores lo

que hace impracticable tabular las probabilidades para todas las
posibles distribuciones normales, se utiliza la distribución
normal reducida o tipificada.

Se define una variable z =

x -μ
σ

Es una traslación, y un cambio de escala de la

variable original.
 La nueva variable z se distribuye como una NORMAL
con media μ = 0 y desviación típica σ = 1
Recordemos de nuevo que en cualquier distribución normal las
probabilidades delimitadas entre :

± σ = 68 %
± 2σ = 95 %
± 3σ = 99 %

95%
68%
99%
68%

95%
99% z
-3 -2 -1 0 1 2 3
 ¿Cómo entender los valores Z?
Se quiere dar una beca a uno de dos estudiantes de sistemas educativos diferentes y se
asignará al que tenga mejor expediente académico:

▪ El estudiante A tiene una calificación de 8 en un sistema donde la calificación de

los alumnos se comporta como N(6,1).
▪ El estudiante B tiene una calificación de 80 en un sistema donde la calificación de
los alumnos se comporta como N(70,10).
– No podemos comparar directamente 8 puntos
de A frente a los 80 de B, pero como ambas
poblaciones se comportan de modo normal,
podemos tipificar y observar las puntuaciones
sobre una distribución de referencia N(0,1).
– Como zA > zB, podemos decir que el porcentaje
de compañeros del mismo sistema de estudios
que ha superado en calificación al estudiante A
es mayor que el que ha superado B. En
principio A es mejor candidato para la beca.
 ¿Cómo calcular probabilidades?
Se puede calcular probabilidades con Excel y/o tablas de la distribución
normal. La que se explica aquí representa las áreas para los diferentes
valores de z desde 0 hasta +∞.

Los valores
negativos de z NO
están tabulados, ya
que la distribución
es simétrica

+∞
0
 *Margen izquierdo : Los enteros de z y su primer
decimal.
* Margen superior: segundo decimal
La tabla consta de: * Cuerpo de la tabla: áreas correspondientes,
acumuladas, desde 0
0. hasta 3.99
0
0 1 2 3 4 5 6 7 8 9
0.
1 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
0. .0398 .0438 .0478 .0517 .0557 .0596 .0363 .0675 .0675 .0754
2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .... ...... ......
0. .1179 ..... ...... ...... ......

3 .1554 .... ..... ....

0.
.1915 ....
4

0.
 EJEMPLO INICIAL

Sea una variable distribuida normalmente con media

μ = 4 y desviación típica σ = 1.5.
¿Cuál es la probabilidad de encontrar un valor x ≥ 6
(P(x ≥ 6 ))?
 μ=4 σ = 1.5 Hallar P ( x > 6 )
1.- transformar x en un valor de z
z = (6 - 4)/1.5 =
1.33
2.- Hallar P ( 0 < z < 1.33) =
3.- 0.5000 - 0.40824 = 0.5

0.4082
4

… o se aplica la función de Excel:

=1-DISTR.NORM.ESTAND(1.33)
0.09176
? x
-0.5 1 2.5 4 5.5 6 7 8.5
-3 -2 -1 0 1 1.33 2 3 z
 Ejemplo 1
¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03?

Cómo la curva es simétrica

P (-2.03 < z < 0) = P (0 < z < 2.03)

?
z
-3 -2 -1 0 1 2 3
 Ejemplo 1

¿Cuál es la probabilidad de que un valor de z esté entre 0 y -2.03?

Se busca en la tabla el
área correspondiente a
z = 2.03

0 1 2 3 4 … o se aplica la función de Excel:

1.8 =DISTR.NORM.ESTAND(2.03)-0.5

1.9
2.0 0.4788
2.1 47. 88%

z
-3 -2 -1 0 1 2 3
 Ejemplo 2
¿Cuál es la probabilidad de que un valor de z esté entre -2.03 y 2.03 ?
En el ejemplo 1, vimos que la probabilidad de que z estuviera entre 0
y 2.03= 0.47882
La misma área hay entre 0 y
-2.03 , por lo tanto
P ( -2.03< z< 2.03) = 0.95764

?
95.76%
47.88% 47.88%
z
-3 -2 -1 0 1 2 3
 Ejemplo 3
¿Cuál es la probabilidad de que un valor de z sea mayor a 1.25 ?

1.- La probabilidad de 0 < z < +∞ = 0.500

2.- La probabilidad de 0 < z < 1.25 = 0.39435
3.- La probabilidad de z > 1.25 =
0.500 - 0.39435= 0.10565
… o se aplica la función de Excel:
=1-DISTR.NORM.ESTAND(1.25)
50%

39.44%
10.56%
? z
-3 -2 -1 0 1 2 3
 Ejemplo 4
Hallar P( -0.34 < z < ∞ )
63.31%
P(0 < z <0.34) = 0.13307 =
P(-0.34 < z < 0)
P (0 < z < ∞ ) = 0.50000
P( -0.34 < z < ∞) = … o se aplica la función de Excel:
0.13307 + 0.50000 =
0.63307 ==1-DISTR.NORM.ESTAND(-0.34)

13.31% 50%

-3 -2 -1 0 1 2
3
 Ejemplo 5
Hallar P( 0.34 < z < 2.30) P(0< z <0.34) = 0.13307
P( 0 < z < 2.30) = 0.4893
P (0.34 < z < 2.30) = 0.48930 - 0.13307 = 0.35623

… o se aplica la función de Excel:

= DISTR.NORM.ESTAND(2.3) –
DISTR.NORM.ESTAND(0.34)

35.62%

z
-3 -2 -1 0 1 2 3
 Hasta ahora vimos como dado un valor x de la variable, hallar
probabilidades transformando (estandarización) la variable en valores de

x-μ
z= σ

¿Cómo hallar un valor de x, dada la probabilidad?

Ejemplo: Sea una …variable

o se aplica la función
distribuida decon
normalmente Excel:
μ =4 y σ =2 .
Hallar el valor de x que deja por encima de él un 38.20% (0.3820)
=DISTR.NORM.INV(1-0.38,4,2)
Se debe desestandarizar : x = z σ + μ

Se busca en la tabla
la erdo al área.
en acu
0.5000 - 0.382 = 0.118 🡪 Se busca de
Con su signo
tabla el valor más aproximado :0.1179 38.20%
corresponde a z =+ 0.30

Sustituyendo en la fórmula
0.30x2+4 =4.60 x=?
4.60
 Valores X

Ejercicios en Clase (Excel)

Diapositiva 53
Diapositiva 54