Unidad 5

5.1. Variable aleatoria

En la unidad 1 se señaló que las variables cuantitativas son aquellas características con
las que identificamos los datos bajo estudio cuyos valores son cuantificables. En esta
sección se estudiará el concepto de otro tipo de variable, la variable aleatoria, el cual es
uno de los aspectos fundamentales de la probabilidad y se encuentra estrechamente
relacionado con el concepto de experimento.
Un experimento se refiere a un proceso de observación del cual se obtiene un
resultado entre distintos resultados posibles; este resultado no puede predecirse con
plena seguridad, pues está sujeto al azar. En este sentido, existe una estrecha relación
entre los distintos valores que se pueden observar en un experimento y el factor
aleatorio.
Cuando en un proceso de observación las características que se desean medir (por
ejemplo, edad, número de clientes, ventas, etc.) adquieren valores cuantitativos y éstos
están sujetos al azar se dice que esas características son variables aleatorias. Es decir,
una variable aleatoria debe considerar dos aspectos: que las características se
encuentren expresadas en valores cuantitativos y que estos valores tengan un carácter
aleatorio.
Con estos dos aspectos considerados por una variable aleatoria se puede construir
una regla de correspondencia en la que a cada uno de los posibles valores que se
observan se le asigna

su respectivo factor aleatorio o probabilidad de que ocurra. Por esa razón también se
puede decir que la variable aleatoria es una función que relaciona los valores y sus
probabilidades.

Si los valores que toma una variable están asociados a través de una función con los sucesos
aleatorios elementales en el espacio muestral de un experimento dado, y dichos valores dependen de
factores al azar en cuanto a sus ocurrencias, a la función se le llama entonces variable aleatoria.

Ejemplo 1
Si se selecciona una muestra aleatoria de dos consumidores que realizan sus compras y
cada uno tiene que elegir entre los artículos A y B, según sus preferencias, la muestra
puede tener los siguientes posibles resultados:

S={AA, AB, BA, BB}

Esto quiere decir que en esta muestra se pueden observar las siguientes compras:

a) Los dos clientes eligen artículos A.

b) El artículo del primer cliente es A y el del segundo cliente es B.
1
 c) El artículo del primer cliente es B y el del segundo cliente es A.
d) Los dos clientes eligen artículos B.

Ahora, si de acuerdo con las experiencias en el pasado 60% de los productos

demandados por los consumidores son del tipo A y 40% de los productos demandados
por los consumidores son del tipo B, se pueden determinar las probabilidades para cada
uno de los puntos muestrales:

P(A, A) = (0.6)×(0.6) = 0.36 Probabilidad del 1er. punto muestral.

P(A, B) = (0.6)×(0.4) = 0.24 Probabilidad del 2do. punto muestral.
P(B, A) = (0.6)×(0.4) = 0.24 Probabilidad del 3er. punto muestral.
P(B, B) = (0.4)×(0.4) = 0.16 Probabilidad del 4to. punto muestral.

Donde:
P(S) = 0.36 + 0.24 + 0.24 + 0.16 = 1

Recuerda que la suma de las probabilidades de todos los puntos muestrales del
espacio muestral S es igual a uno, pues cada uno de los puntos muestrales representa
un evento simple, y la suma de todas sus probabilidades es igual a uno.
Ahora procedemos a definir una característica que se puede observar al escoger un
punto muestral de los cuatro que conforman el espacio muestral, por ejemplo, “el
número de productos del tipo A que se pueden observar en esta muestra”.
En este caso, existen tres posibles resultados: que en la muestra existan cero
productos A, que en la muestra exista un producto A y que en la muestra existan dos
productos A. Los valores 0, 1 y 2 son los posibles valores que se puede observar en la
característica “número de productos del tipo A que se puede observar en esta muestra”.
Esta característica representa una variable de tipo cuantitativo.
Si asignamos a cada uno de estos valores sus probabilidades correspondientes se
observa la siguiente variable aleatoria:
Valor de la Probabilidad

Variable
1 0.16 Probabilidad del 4to. punto muestral.
2 0.48 Probabilidad del 2do. y 3er. punto muestral (0.24 +
0.24). 2 0.36 Probabilidad del 1er. punto muestral.

En este caso, la característica bajo estudio “el número de productos del tipo A que
se puede observar en esta muestra” es una variable aleatoria, pues cumple con los dos
aspectos señalados anteriormente: la característica se encuentra expresada en valores
cuantitativos (0, 1 y 2), y estos valores tienen una probabilidad que representa su
carácter aleatorio (0.16, 0.48 y 0.36).
Los valores que toma una variable aleatoria en un proceso de observación tienen la
característica principal de obtenerse por la suerte o el azar dentro de un conjunto de
datos y ocurren, cada uno, con una probabilidad definida.
Las probabilidades asociadas a cada valor posible de una variable aleatoria suman
uno. Esto es:

a) La probabilidad para todo valor que asuma la variable aleatoria X i será mayor o
igual a cero. P(Xi) 0 (en este ejemplo son 0.16, 0.48 y 0.36).

ESTADÍSTICA PARA NEGOCIOS

 b) La suma de todas las probabilidades asociadas a todos los valores que toma la
variable aleatoria discreta X es igual a la unidad, donde el subíndice i muestra
el elemento que se analiza dentro de un intervalo y puede tomar valores
distintos.

P(Xi) = 1
i = 1,2,...,n
P(Xi) = 0.16 + 0.48 +0.36 = 1

El símbolo significa para toda, de tal forma que lo anterior se interpreta como “la
suma de las probabilidades de todos los i valores es uno”, donde i indica que existen n
elementos como máximo en el conjunto de datos.
Las variables aleatorias se clasifican de dos formas: variables aleatorias discretas y
variables aleatorias continuas.

Una variable aleatoria discreta es aquella característica que únicamente puede tomar valores contables
expresados en números enteros.

Algunos ejemplos de variables aleatorias discretas son:

determinado periodo.

UNIDAD 5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA

Una variable aleatoria continua es aquella característica que puede tomar cualquier valor dentro de un
intervalo, es decir, no toma valores exactos pudiendo incluir fracciones, asumiendo en un momento dado

3
 Algunos ejemplos de variables aleatorias continuas son:

Establecer la diferencia entre variables

aleatorias
discretas y
continuas
es importante,
ya que para
calcular la probabilidad asociada a cada una de ellas se requiere de técnicas y modelos
matemáticos distintos. A continuación se analizará el caso para las distribuciones de
variables aleatorias discretas.

5.2. Distribuciones de probabilidad para variables discretas

Las funciones de distribución de probabilidad de una variable aleatoria tienen una
estructura matemática definida, de tal manera que se pueda resolver cualquier tipo de
problema económico o de negocios donde intervenga el azar. Existen dos tipos de
distribuciones de probabilidad: para variables aleatorias discretas o para variables
aleatorias continuas.

Una función de distribución de probabilidad de una variable aleatoria discreta es una relación entre los
valores asociados a una variable aleatoria discreta X y las probabilidades que se calculan para cada
uno de los valores de X.

La distribución de probabilidad de una variable aleatoria discreta se representa por

una tabla y una gráfica que proporcionan las probabilidades asociadas a cada valor
posible de la variable aleatoria discreta.
La distribución de probabilidad de una variable aleatoria discreta puede ser:

1. Una relación teórica de resultados y probabilidades en el sentido de que se

pueden obtener de un modelo matemático que represente algún fenómeno de
interés sin necesidad de efectuar cálculos, es decir, los datos por sí mismos
pueden aportar información de su comportamiento.

2. Una relación empírica de resultados y sus frecuencias relativas observadas, es

decir, que los resultados aplicados a una técnica estadística pueden mostrar de
qué manera se pueden utilizar los datos para una aplicación concreta. Aquí los
resultados del experimento se vinculan con la obtención de medidas de
tendencia central o medidas de dispersión que permitan analizar las
características de los datos y su distribución.
Ejemplo 2
Del ejemplo 1 la distribución de probabilidad queda expresada mediante la siguiente
tabla:
Valor de la variable Probabilidad

0 0.16
1 0.48 ESTADÍSTICA PARA NEGOCIOS

2 0.36
 0.6

0.5
Tabla 5.1. Distribución de probabilidades mediante tablas.
0.4
En este caso se observa una tabla que establece una regla de correspondencia
entre los distintos
0.3
valores que puede adquirir la variable aleatoria con sus respectivas
probabilidades. Se dice que es una distribución de probabilidad discreta pues los valores
0.2

de la variable0.1aleatoria únicamente se encuentran expresados en números enteros.

Otra manera 0 de representar la distribución de probabilidad de esta variable
aleatoria discreta es a través de una gráfica conocida como distribución de probabilidad.

0 1 2

Valor

Figura 5.1. Distribución de probabilidades mediante gráficos.

Ejemplo 3
Si en un banco se atendió a tres clientes en un determinado periodo, los cuales pueden
ser hombres o mujeres, y además se sabe que 50% de los clientes que visitan un banco
son mujeres y 50% son hombres. ¿Cuál es la función de distribución de probabilidad del
número de mujeres atendidas?

En este caso, la característica que se desea observar es “número de mujeres

atendidas” la cual representa una variable aleatoria discreta. Como se atiende a tres
clientes, es posible que de esos tres se atiendan a cero, una, dos o tres mujeres.
El cero denota que, en ese periodo, no se atendió a ninguna mujer, el uno que sólo
se atendió a una mujer y así sucesivamente; como son cuatro los valores que puede
tomar la variable y se consideran dos eventos (hombre o mujer), ello implica que como
mínimo no se atiende a ninguna mujer o como máximo se atiende a tres mujeres y lo
mismo sucede para los hombres. Por tal razón, en total son ocho los posibles resultados
o puntos muestrales, de ahí que la probabilidad para cada uno de éstos sea 1/8.
Si X es el número de mujeres atendidas, P(X) la probabilidad de ocurrencia del
suceso y el espacio de resultados está definido S = {3 clientes en un banco}, donde cada
cliente puede ser: hombre (H) o mujer (M) y por lo tanto:

1
PM( ) PH( )
2

UNIDAD 5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA

X 0 1 2 3
HHH
P(x) 1/8
1/8 3/8 3/8 1/8
1. leatoria a través de1/8
HHM una tabla.
HMH 1/8
5
HMM 1/8
MHH 1/8
MHM 1/8
MMH 1/8
MMM 1/8
 ESTADÍSTICA PARA NEGOCIOS

5.3. Valor esperado y varianza de una variable aleatoria discreta

El valor esperado de una variable aleatoria X se puede considerar una medida de
tendencia central

de una distribución de probabilidad, del mismo modo que X es una medida de tendencia
central de una distribución de frecuencias de una muestra. La diferencia está en que la
media implica una suma de los valores de todos los datos divididos entre el número de
datos, mientras que el valor esperado considera que cada uno de los datos con que se
cuenta tiene una probabilidad de ocurrencia y que las multiplicaciones de los valores de
los datos por su probabilidad son sumados.
El término valor esperado, también conocido como esperanza matemática, tiene
una interpretación intuitiva en el sentido de que al considerar la probabilidad de que una
variable tome algún valor dado, la suma arroje un dato que se espera que esté en la
parte central de un intervalo de valores. El valor esperado determina un promedio
basado en los valores que toma una variable, considerando la probabilidad que existe de
que la variable tome un valor determinado y dicho valor se encuentre al centro de la
distribución.

El valor esperado o esperanza matemática de una variable aleatoria discreta es la suma de los productos
de los posibles valores que toma la variable multiplicados por su probabilidad de ocurrencia.

Si X representa una variable aleatoria discreta que puede tomar los valores X 1,
X2,..., Xn con probabilidades respectivas p1, p2,..., pn, donde la suma de las probabilidades
debe sumar uno, p1 + p2 +...+ pn = 1, la esperanza matemática de X o simplemente la
esperanza de X, simbolizada por E(X), se define como:
n

X E( )X X1 1p X2p2 ... Xnpn Xi p

i1

Pi = Probabilidad de ocurrencia del valor que toma la variable X.

Xi = Valores enteros que toma la variable aleatoria X.
X = E(X) = Valor esperado de la variable X.
n

Significa que la suma va desde i = 1 (primer dato) hasta n

(último dato). i 1

La fórmula muestra que el valor esperado de una variable considera los posibles
valores que toma la variable, donde cada valor tiene una probabilidad asociada. La suma
indica que se debe sumar desde el primer dato (cuando i = 1) hasta el último dato (n) del
conjunto de datos, ya que i = 1, 2,..., n.

Ejemplo 4
En el ejemplo 3 se pide hallar la función de distribución de probabilidad del número de
mujeres atendidas en un banco en el cual se atendió a tres clientes en cierto

ESTADÍSTICA PARA NEGOCIOS

periodo, los cuales pueden ser hombres o mujeres. Con los datos obtenidos, se desea
conocer el promedio de mujeres que se espera sean atendidas.
Sea X el número de mujeres atendidas y P(X) la probabilidad de ocurrencia del
evento (de que X tome un valor específico). Se cuenta con la siguiente información:
X 0 1 2 3
P (x) 1/8 3/8 3/8 1/8

UNIDAD 5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA

Recuerda que se debe cumplir con la propiedad de que la suma de las

probabilidades es uno. Es decir:
3
P(0) P(1) P(2) P( )3 P(Xi ) 1
i0

La esperanza implica multiplicar los eventos por su probabilidad de ocurrencia y,

posteriormente, sumarlos para obtener el número promedio de mujeres que fueron
atendidas.

1 3 3 1
()1 ()2 ()3
X E( )X (0) 8 8 8 8
= (0)(0.125) + (1)(0.375) + (2)(0.375) + (3)(0.125)
= 0.375 + 0.75 + 0.375 = 1.5
X = E(X) = 1.5

El resultado indica que en el periodo considerado se atendió en promedio a 1.5

mujeres. Por ejemplo, si se considera que se estudiaron 100 bancos y cada uno empleó
la misma información, es de esperarse que los 100 bancos en su conjunto atendieron a
150 mujeres en promedio (100 bancos x 1.5 mujeres/ banco = 150 mujeres).

Ejemplo 5
Se determinó que el número de camiones de carga que arriban cada hora a una bodega
sigue la distribución de probabilidad que se muestra en la siguiente tabla:

Número de camiones (X) 0 1 2 3 4 5 6

Probabilidad [P(X)] 0.05 0.10 0.15 0.25 0.30 0.10 0.05

El valor esperado del número de camiones que arriban a la bodega es:

X = E(X) = (0)(0.05) + (1)(0.10) + (2)(0.15) + (3)(0.25) + (4)(0.30) + (5)(0.10) + (6)

(0.05)
= 0 + 0.10 + 0.30 + 0.75 + 1.2 + 0.5 + 0.30 = 3.15
= E(X) = 3.15
X

En este caso, el resultado muestra que en promedio arribaron 3.15 camiones por
hora. Si se tomara en cuenta que se estudian 100 bodegas con la misma información, en
7
todas las bodegas arribarían en promedio 315 camiones por hora (100 bodegas x 3.15
camiones/ bodega = 315 camiones).
Debido a que la distribución de probabilidad de una variable aleatoria X es en un
sentido teórico el histograma de frecuencias relativas, es natural describir la variabilidad
de X con su varianza o desviación estándar. En tal caso, se requiere conocer la
variación de los datos con respecto al valor medio. Por ejemplo, si se tiene información
del número de productos vendidos en una tienda en un día determinado, se querría
conocer el número promedio de productos vendidos por día con el fin de conocer las
variaciones de ventas, se emplea la noción de varianza.

cuadráticas que tienen los datos de una distribución de probabilidad con respecto al valor promedio.

Si x es una variable aleatoria discreta con valores x1, x2,..., xn y probabilidades p1,
p2,..., pn y con media E(x), la varianza se define matemáticamente como:
n
2 2 2
Var(x) E[(x– ) ] (x –i ) ( ) Pi
i1

(x –1 )2 p1 (x –2 )2 p2 ... (x –n )2pn

Donde:
= Valor esperado. x = Variable aleatoria discreta. pi = Probabilidad
de que el valor que toma la variable aleatoria x sea igual a x i.

La fórmula indica que para obtener la varianza es necesario conocer el valor

esperado y los valores que puede tomar la variable, así como las probabilidades
asociadas a cada una. Una vez que se conocen estos datos, es necesario restarle a
cada valor de la variable su media y elevar la resta al cuadrado, este procedimiento se
conoce como desviación cuadrada. Al conocer las desviaciones cuadradas hay que
multiplicar por la probabilidad asociada a cada valor de x y, una vez que se tienen los
productos, se suman para de esa manera obtener la varianza.
La desviación estándar o desviación típica se define como la raíz cuadrada positiva
de la varianza:
2

Ejemplo 6
Con la información del ejemplo 4, se desea conocer ahora la varianza y la desviación
estándar de los clientes del banco.

Como ya conocemos que la media o valor esperado del número de clientes

atendidos es 1.5, para conocer la varianza, a cada valor que toma la variable x se le
resta la media y esa diferencia se eleva al cuadrado para posteriormente multiplicarla
por la probabilidad de ocurrencia de cada evento. Las diferencias pueden ser positivas o
negativas.

ESTADÍSTICA PARA NEGOCIOS

 El resultado muestra que la varianza de los datos es 0.75, pero se debe recordar
que la varianza no tiene ningún sentido práctico, ya que en este caso mostraría que la
variación es de 0.75 mujeres cuadradas atendidas. Por ello para dar un sentido lógico y
práctico se emplea la desviación estándar. En términos del problema del banco, la
desviación estándar es:

075. 0.8660
0.8660

UNIDAD 5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA

La desviación estándar se debe interpretar como la unidad de medida que sirve

para conocer qué tan próximo o lejano (desviado) se encuentra un determinado valor
asumido por la variable aleatoria con relación al valor medio. En este problema indica
que la variación con respecto a la media es de 0.8660 mujeres atendidas, es decir, los
valores que se encuentran a una distancia equivalente a una desviación estándar, por
encima o por debajo de la media 1.5, son equivalentes a 1.5 – 0.8660 = 0.634 (0.8660
por debajo de la media) y de 1.5 + 0.8660 = 2.366 (0.8660 por encima de la media).

Ejemplo 7
Con los datos del ejemplo 5, calcula la varianza y la desviación estándar de los
camiones que arriban a la bodega.

El valor esperado para el arribo de camiones a una bodega es de 3.15 camiones

por hora.

2
= (0 – 3.15)2(0.05) + (1 – 3.15)2(0.10) + (2 – 3.15)2(0.15) + (3 – 3.15)2(0.25) + (4 –
3.15)2 (0.30) + (5 – 3.15)2(0.10) + (6 – 3.15)2(0.05)
= (–3.15)2(0.05) + (–2.15)2(0.10) + (–1.15)2(0.15) + (–0.15)2(0.25) + (0.85)2(0.30) +
(1.85)2(0.10) +
(2.85)2(0.05)
= (9.9225)(0.05) + (4.6225)(0.10) + (1.3225)(0.15) + (0.0225)(0.25) + (0.7225)
(0.30) +
(3.4225)(0.10) + (8.1225)(0.05)
= 0.496125 + 0.46225 + 0.198375 + 0.005625 + 0.21675 + 0.34225 + 0.406125
= 2.1275
9
 2
= 2.1275

La varianza muestra que la dispersión que existe en el número de camiones por

hora que arriban a la bodega es de 2.1275 camiones cuadrados.
En términos del problema de los camiones que arriban a una bodega, la desviación
estándar es:

2.1275
1.45 1.458595

La desviación estándar muestra que la dispersión en los camiones por hora que
arriban a una bodega es de 1.45 camiones.

El concepto de varianza es útil para comparar las dispersiones de las distribuciones

de probabilidad. Por ejemplo, si se considera como variable aleatoria al rendimiento de
una inversión en un año, dos inversiones pueden tener el mismo rendimiento esperado
pero diferir de manera importante si las varianzas de sus rendimientos son distintas. Una
varianza mayor indica que es más factible tener rendimientos distintos de la media que si
la varianza es pequeña. En este contexto, la varianza del rendimiento se puede asociar
al concepto de riesgo de una inversión, es decir, a mayor varianza, mayor riesgo y por lo
tanto, mayor ganancia.

UNIDAD 5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA

5.4. Distribución binomial

La distribución binomial es una función de distribución de probabilidad discreta que
resulta sumamente útil para describir muchos fenómenos, pues a diferencia de otros
tipos de distribución, la variable aleatoria discreta cuya distribución es binomial está
asociada a un experimento que consiste en considerar dos posibles resultados.

La distribución binomial emplea variables aleatorias discretas y se caracteriza por el hecho de que
únicamente considera que existen éxitos y fracasos, es decir, sólo toma en cuenta que existen dos
alternativas de decisión dentro de un conjunto de datos. Cabe señalar que la distribución binomial sólo
considera que los datos corresponden a una muestra o a una población, pero no a ambas.

Por ejemplo, si se considera una encuesta por muestreo para conocer la

preferencia de los consumidores por dos marcas de botanas, los posibles resultados del
experimento son dos, ya que ése es el número de marcas de botanas que se consideran
sin tomar en cuenta el número de consumidores encuestados. Suponemos que su
probabilidad de ocurrencia sería de ½, pero si se desea conocer la proporción de
consumidores que están a favor de una u otra marca (por ejemplo, marca A = éxito y
marca B = fracaso), la probabilidad de que una determinada cantidad de consumidores
prefiera la marca B, por ejemplo, no será de ½, por lo cual debe emplearse un método
para definir la proporción de consumidores que está a favor de una marca determinada.

ESTADÍSTICA PARA NEGOCIOS

 La distribución binomial debe reunir cuatro propiedades:

1. El experimento consiste de un número fijo de ensayos. Por ejemplo, si se

estudia el comportamiento de 30 acciones de una empresa y se tiene como
política analizar sólo 10 acciones con el fin de determinar cuáles son las que
reportan mayores rendimientos.

2. Cada ensayo sólo tiene dos posibles resultados a los que suele llamarse “éxito”
o “fracaso”. Por ejemplo, al planear la venta de un determinado número de
casas, un corredor de bienes raíces puede considerar que si concreta una
venta es un éxito pero si no la concreta es un fracaso.

3. La probabilidad de un “éxito” es igual a “p” y es constante para todos los

ensayos y la probabilidad de “fracaso” es, por tanto, igual a q = (1 – p). Se
considera “éxito” la condición que se busca y “fracaso” lo contrario. Por
ejemplo, en un lote de 100 artículos fabricados se puede conocer en promedio
la probabilidad de que sólo haya un número determinado de artículos
defectuosos, por lo que la probabilidad de que cada uno sea defectuoso es la
misma, es decir, si se demuestra que 20% de los artículos es defectuoso, la
probabilidad de fracaso es 0.20 para todos los productos.

4. Los ensayos son independientes, es decir, el resultado de probabilidades que

se da en un ensayo no afecta al resultado que se da en otro . Por ejemplo, si al
analizar una serie de artículos producidos en una empresa se tiene que la
probabilidad de que 20 artículos sean defectuosos es 0.10, ello no quiere decir
que, al elegir otra muestra de igual tamaño, la probabilidad de que se obtengan
defectos en artículos sea la misma que se obtuvo anteriormente.

Por los motivos anteriormente expuestos, la distribución binomial ha sido utilizada

en numerosas aplicaciones, por ejemplo:

11
 determinar la probabilidad de que ninguna sea defectuosa, sabiendo que 8% de las llantas de la
población son defectuosas.

un aumento en su precio al cierre, durante diez sesiones de operaciones; si en realidad los

cambios de precios en el mercado accionario son aleatorios.

Como se incluye un número de éxitos (k) y el número de fracasos (n–k) en n ensayos, para
conocer el número de formas totales (todos los posibles éxitos o fracasos) se obtiene el número de
combinaciones de n elementos, de los cuales k pertenecen a una clase (éxito) y n–k a otra clase
distinta (fracaso), entonces la probabilidad de que ocurra un evento es:

P( )X Pk n p( , , ) nCk p qk n k– n! p qk n k– k n k!( )!

Donde:
P(k, n, p) = Probabilidad de que se den k éxitos en n ensayos donde se conoce la probabilidad
de éxito (p).
P(X) = Probabilidad de que la variable X tome el valor k. n=
Tamaño de la muestra o número de ensayos. k =
Número de éxitos. n–k = Número de fracasos. p=
Probabilidad de éxito. q = Probabilidad de fracaso. ! =
Factorial de un número.
n!
La fórmula se refiere a las posibles combinaciones que pueden darse en el conjunto k
n k!( )!
de datos con que se cuenta, mostrando cuántos posibles resultados se pueden obtener si se
desean sólo éxitos dentro de un conjunto de datos.
El hecho de emplear factoriales implica una multiplicación de números consecutivos, por
ejemplo, el factorial de cinco es 5! = 5 4 3 2 1 = 120 o, si se quiere simplificar, el factorial se
expresaría como

5! = 5 4! = 5 4 3! = 5 4 3 2! = 120.

Un claro ejemplo de por qué debemos simplificar se tiene al trabajar con divisiones de
factoriales. Por ejemplo, si se divide el factorial de 5 entre el factorial de 3, el resultado es:

5 ! 543 !
3! 3! 54
20

Como puedes observar, al simplificar se multiplica 5 por 4 y se deja el factorial de 3 para que
sea eliminado con el factorial de 3 del denominador.
La reducción es factible cuando la distancia existente entre el valor del factorial del numerador
y el valor del factorial del denominador no es muy grande (5 unidades). La limitante al emplear
factoriales radica en que factoriales superiores a 30 toman valores extremadamente altos que
dificultan el cálculo. Debes tomar en cuenta también que el factorial de cero es uno, ya que aunque

12 ESTADÍSTICA PARA NEGOCIOS

es un valor nulo representa un número y, como se trabaja con potencias, debes recordar que
cualquier número elevado a la potencia cero, da como resultado uno.
Ejemplo 8
Una empresa consultora afirma que un procedimiento para promocionar las ventas de una
compañía es exitoso 80% de las veces. Si el procedimiento se lleva a cabo cinco veces en un año,
cuál es la probabilidad de que:

a) Las cinco veces que se lleva a cabo el procedimiento sea exitoso.

b) A lo más dos sean exitosas.

a) Como se pide obtener la probabilidad de que las cinco veces que se aplica el
procedimiento sean exitosas, la probabilidad de éxito es p = 0.8 y la probabilidad de
fracaso es q = (1 – 0.8) = 0.2
k n–k
n! Pk( )
Pk n p( , , ) pq
k n k!( )!

n=5
k=5
5! 5 0 5! 5 0
n–k=0 P(5) = (0.8)(0.2)= (0.8)(0 2)
555
!( )! 50!()!
p = 0.8
q = 0.2
En este caso la divisón es de 5! entre 5! es 1, el
factorial de cero es uno

Elevado a la potencia 0 es 1
P(5) = (1) (0.32768) (1) = 0.32768

P(5) = 0.32768

La probabilidad de que las cinco veces que se lleva a cabo el procedimiento para promocionar
las ventas sea exitoso, es 0.32768.

b) El término a lo más implica que la mayor cantidad de éxitos que pueden tenerse es dos,
pero también puede darse el caso de que sea uno o cero, por lo que se tiene:

k 2 ; k puede ser 2, 1, 0
P(k 2) = P(0) + P(1) + P(2)

Entonces, hay que obtener las probabilidades de tener 0, 1, 2 éxitos para después
1
sumarlas y encontrar la solución.
1

P( )0 5! ( . ) ( . )08 0 02 5
5!
( ) ( .1 0 0032)( .000032) ( )( .1 000032)

UNIDAD 5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA 13

 0 5 0!( )! ( !)( )!0
P(0) = 0.00032
5
P(1) ( .000128)( ) ( .5 000128) 0 0064.
1
P(1) = 0.0064
5! 3 5 ! 25 4
02
3! (!)(!)
2 3
P( )2( . ) ( . )08 ( .064 0) ( 008)( .000512)
2 5 2!( 20 )!( ) (2 3 !)
(.000512 )
2
5 4
P(2) ( .000512)(10 000512) ( . 00512.
2
P(2) = 0.0512
P(k 2) = P(0) + P(1) + P(2)
P(k 2) = 0.00032 + 0.0064 + 0.0512 = 0.05792 P(k 2)
= 0.05792

La probabilidad de que al menos dos veces se lleve a cabo el procedimiento para

promocionar las ventas es 0.05792.

Ejemplo 9
De las ventas de automóviles nuevos en un país, 20% corresponde a los automóviles
importados. Suponiendo que se seleccionan al azar cuatro personas que han comprado un
automóvil nuevo durante una semana.

a) ¿Cuál es la probabilidad de que las cuatro personas hayan comprado un

automóvil importado?
b) ¿Cuál es la probabilidad de que sólo una persona haya comprado un automóvil
importado?

Solución:
1
a) En este caso, el tamaño de la muestra (las personas que 1compraron
automóviles importados) es n = 4, la probabilidad de éxito p = 0.2, la
probabilidad de fracaso es q = 1 – 0.2 = 0.8, el número de elementos que se
consideran éxito es k = 4 y el número de elementos que se consideran fracasos es n–k =
4 – 4 = 0. Sustituyendo en la fórmula probabilística binomial:
4 0 4!
4!
P( )4 ( . ) ( . )02
( .00016) 1) ( .00016) ( ) (1 00016. )
4 4 4!( )! 4 !( !)0
P(0) = 0.0016

14 ESTADÍSTICA PARA NEGOCIOS

 La probabilidad de que las cuatro personas de la muestra hayan comprado un automóvil
importado es 0.0016.

b) En este caso, el tamaño de la muestra (las personas que compraron automóviles importados)
es n = 4, la probabilidad de éxito p = 0.2, la probabilidad de fracaso es q = 1 – 0.2 = 0.8, el
número de elementos que se consideran éxito es k = 1 y el número de elementos que se
consideran fracasos es n – k = 4 – 1 = 3.

4! 4 3!
P( )1 4! ( . ) ( . )02 1 08 3 ( . ) ( .02 0 12) ( . ) (02 0512.)
1 4 1!()! 1 !( !)3 ( ) (1 3 !)
4
P( )1 ( .01024) ( ) (4 01024.
1
P(1) = 0.4096
La probabilidad de que sólo una persona haya comprado un automóvil importado es 0.4096.

UNIDAD 5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA 15

1. Si 30% de las lámparas incandescentes fabricadas por una compañía se funde en
una semana si se dejan encendidas todo el tiempo, y se instala una lámpara en
cada uno de los 10 pisos de un edificio, cuál es la probabilidad de que:

a) Se fundan diez lámparas.

b) No haya lámparas fundidas.

2. Una empresa informa que 30% de sus cuentas por cobrar a otras empresas
comerciales está vencido. Si un contador toma una muestra aleatoria de cinco de
esas cuentas para saber qué cantidad es la que ha vencido, determina la
probabilidad de que:

a) Ninguna de las cuentas esté vencida.

b) Dos de las cuentas esté vencida.

3. Un director de producción sabe que 5% de las piezas producidas en cierto proceso

de fabricación tiene algún defecto. Se examinan seis de estas piezas cuyas
características se asumen independientes. Cuál es la probabilidad de que:

a) Ninguna de las piezas esté defectuosa.

b) Dos de las piezas estén defectuosas.
 4. Una asociación de beneficencia contrata estudiantes para que soliciten donaciones
por teléfono. Después de un breve periodo de preparación, los estudiantes
telefonean a los donantes potenciales y reciben en pago una comisión. La
experiencia indica que, normalmente, estos estudiantes logran sólo un éxito
moderado, y 70% de ellos deja el trabajo en las dos primeras semanas. La
asociación contrata seis estudiantes, que pueden considerarse como una muestra
aleatoria. Cuál es la probabilidad de que:

a) Ninguno de los estudiantes deje el trabajo en las dos primeras semanas.

b) Cuatro de los estudiantes dejen el trabajo en las dos primeras semanas.

5. De los empleados de una empresa, 40% está a favor de la representación sindical

y se contacta a una muestra aleatoria de 10 empleados en solicitud de una
respuesta anónima. Cuál es la probabilidad de que:

a) Cinco de los empleados estén a favor de la representación sindical.

b) Los diez empleados estén a favor de la representación sindical.

ESTADÍSTICA PARA NEGOCIOS

5.5. Distribución hipergeométrica

Tanto la distribución binomial como la distribución hipergeométrica persiguen un mismo
objetivo (el número de éxitos en una muestra que contiene n observaciones). Lo que
establece una diferencia entre estas dos distribuciones es la forma en que se obtiene la
información y la manera como se trabajan las muestras y poblaciones.

La distribución hipergeométrica es aquella en la que se considera la existencia de éxitos y/o fracasos

en una muestra y en una población, suponiendo que se tiene conocimiento del tamaño de la población
y del número de elementos dentro de ella que se consideran éxitos o fracasos, y que extrae una
muestra
donde también existen éxitos o fracasos.

La principal diferencia que existe entre las distribuciones binomial e

hipergeométrica es que en la binomial sólo se trabaja con una muestra o con una
población, no con las dos, pero se considera que la forma como se emplean los
datos es con reemplazo de los mismos, mientras que en la hipergeométrica se
UNIDAD 5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA 17
utilizan tanto la muestra como la población para hacer referencia al número de
elementos contenidos en la población y así poder conocer el número de éxitos o
fracasos en ella, además de que se considera que, partiendo de esa población, se
extrae una muestra e interesa conocer la probabilidad de que se genere un número
dado de éxitos o fracasos tomando en cuenta que el manejo de los datos es sin
reemplazo.
Se considera que el reemplazo implica que, al trabajar con un dato elegido
previamente, éste vuelve a considerarse en el conjunto de datos, por ejemplo, si se tiene
una baraja con 52 cartas y se elige una al azar, y esa carta es un as de diamantes, el
reemplazo consiste en volver a incluir esa carta en el conjunto, teniendo la posibilidad de
volverla a elegir, además de que la probabilidad de elegir una carta no cambiaría porque
se seguirían considerando 52 cartas.
Si no existe reemplazo, la carta elegida se eliminaría del conjunto y no se volvería a
incluir, por lo que la probabilidad de elegir una carta está cambiando a medida que se
reduce el total de elementos contenidos en el conjunto. Esto quiere decir que, al
disminuir los elementos de una población o muestra, la probabilidad de que se lleve a
cabo un experimento será cada vez mayor.
Al realizar un muestreo sin reemplazo de los elementos tomados de una población,
no es posible emplear la distribución binomial debido a que, al eliminar (no reemplazar)
elementos de una población, cambia la probabilidad de obtener un éxito al disminuir la
cantidad de esos elementos. En una situación en la que se requiere que los resultados
de un experimento no se repitan, y además se considera que se tiene una población y
de ella se extrae una muestra, se debe emplear el muestreo sin reemplazo, siendo la
distribución de probabilidad discreta más adecuada, la distribución hipergeométrica.
Esta distribución se emplea para calcular la probabilidad de obtener un
determinado número de éxitos en un espacio muestral de n ensayos, partiendo de que
existe un número dado de éxitos dentro de una población y que el resultado de una
observación depende o es afectado por el resultado de cualquier otra observación
anterior, en el sentido de que hay elementos que han sido eliminados y no pueden
repetirse.
De esa manera, la distribución hipergeométrica considera no sólo a los elementos
de la muestra, sino también a los elementos de la población, por lo cual se tiene:
k! x! (N k)!
(kCx )(N k– Cn–x ) (k (n x)![(N k) (n x)]!
Pk( )
(NCn ) x)!
N! n N!(
Donde:
n)!
N = número de elementos en la población.
k = número de elementos en la población que se consideran
éxitos. N–k = número de elementos en la población que se
consideran fracasos.
n = número de elementos en la muestra seleccionados de los N elementos en
la población. x = número de éxitos en la muestra.

En este sentido, la fórmula implica que, al contarse con una población, hay
elementos dentro de ella (N) que son considerados éxitos (k) y, si se desea realizar un
experimento, se extrae una muestra (n) y se analiza para saber qué proporción de los
datos de la muestra son éxitos (x). Así, se garantiza conocer de manera exacta la
probabilidad de que un número dado de datos dentro de una muestra puedan ser éxitos
o fracasos.
 Ejemplo 10
Un aspirante a un puesto ejecutivo acude al departamento de recursos humanos de una
empresa y se le notifica que en dos días deberá realizar un examen basado en una guía
de quince secciones. Al prepararse para el examen, estudia tan sólo 10 de las 15
secciones que debe cubrir. Si su instructor selecciona 5 secciones al azar y hace una
pregunta de cada una, ¿cuál será la probabilidad que tiene el aspirante de haber
estudiado dos de las secciones?

En primer término se deben identificar los elementos correspondientes para ubicar

sus valores en la fórmula. Como podrás observar, se hace referencia de 15 secciones
que abarca el examen, por lo que el tamaño de la población es N = 15. El aspirante
estudia 10 de las secciones, por lo que el número de elementos en la población que se
consideran éxitos es k = 10. Al seleccionar 5 secciones al azar, se habla del tamaño de
muestra:

n=5
N = 15
k = 10
N–k = 5
n=5

Al considerarse la probabilidad de que el aspirante haya estudiado dos de las

secciones, se tiene que el número de éxitos en la muestra x = 2.

n–x=3
(
(kCx )(N k– Cn–x) (10C2) 5C3)
P(2)
(NCn ) 15C5

P(2) = 10!

2 10
2!(
– )!

109 54
2 9 22 (45 10) (
) 15141312110
0 450
2120 2
(3 003 0149. 850149
) 3 003

ESTADÍSTICA PARA NEGOCIOS

0.149850149

UNIDAD 5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA 19

 P (2) = 0.1499

La probabilidad de que el aspirante haya estudiado dos secciones es de 0.1499, lo

cual es un valor bajo que denota que sus posibilidades de aprobar el examen no son
muy alentadoras.

Ejemplo 11
Una compañía recibe un pedido de 20 artículos. Debido a que la inspección de cada
artículo es cara, se sigue la política de analizar una muestra aleatoria de 6 artículos de
cada envío, aceptando la remesa si no hay más de un artículo defectuoso en la muestra.
¿Cuál es la probabilidad de que sea aceptado un pedido con 5 artículos defectuosos?

N =
20 k
=5N–k
= 15
n=6

Al considerarse la probabilidad de que la compañía acepte un pedido con 5

artículos defectuosos, se tiene que el número de éxitos en la muestra x = 5.

n–x=1

P(5) =(kCx )(N k– Cn–x) (5C5)(15C1)

P(5) = 0.00039

La probabilidad de que un pedido que contenga 5 artículos defectuosos sea

aceptado es 0.00039, el cual es un valor muy bajo.

1. Una empresa presenta 10 declaraciones a un auditor de Hacienda y éste

selecciona una muestra de seis declaraciones de impuestos de personas con una
profesión particular para una posible auditoría. Si siete de las declaraciones indican
deducciones autorizadas no se auditará a todo al grupo de 10 declaraciones, cuál
es la probabilidad de que no se realice una auditoría más detallada si las
declaraciones correctas son:
 a) Cinco.
b) Tres.

2. Un gerente selecciona aleatoriamente a tres individuos de un grupo de 10

empleados de un departamento para la formación de un equipo asignado a un
proyecto. Suponiendo que cuatro de los empleados fueron asignados
anteriormente a un proyecto similar, determina la probabilidad de que exactamente
dos de los tres empleados hayan tenido experiencia en este tipo de proyectos.

3. Una analista financiera ha recibido una lista de los bonos de 12 compañías. La

analista selecciona tres empresas de la lista cuyos bonos cree que están en peligro
de caer el próximo año. En realidad cuatro de las empresas de la lista verán caer
sus bonos el próximo año. Supongamos que la analista ha elegido las tres
empresas de la lista aleatoriamente. ¿Cuál es la probabilidad de que ninguna de
las elegidas esté entre aquellas cuyos bonos bajarán el próximo año?

4. El director de un banco está considerando la concesión de un préstamo a 10

personas que lo han solicitado. El perfil de todos los solicitantes es similar, excepto
en que cinco son menores de edad y el resto no. Al final, el director aprueba seis
solicitudes. Si estas seis solicitudes han sido elegidas aleatoriamente del total,
¿cuál es la probabilidad de que dos de las solicitudes aprobadas sean de menores
de edad?

5. En una tienda de autoservicio 15 de los 20 clientes encuestados por una marca

reconocida de botanas están insatisfechos con el sabor de algunos productos. Si
una muestra aleatoria de cuatro clientes es encuestada sobre el sabor de los
productos, determina la probabilidad de que tres de los clientes encuestados se
muestren insatisfechos con el sabor de las botanas.

ESTADÍSTICA PARA NEGOCIOS

UNIDAD 5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA 21

La distribución de Poisson emplea información referente a situaciones en las cuales se maneja que el
resultado de un ensayo se condicione por presentarse en un periodo determinado o en un área o
 5.6. Distribución de Poisson
La distribución de Poisson es otra función de distribución de probabilidad discreta que
tiene muchas aplicaciones prácticas. Algunos ejemplos de los fenómenos analizados
con la distribución de Poisson son:

La
distribución de
Poisson puede
emplearse para determinar la
probabilidad de ocurrencia
de un número establecido de
eventos cuando éstos
ocurren en cierto periodo.
Aunque es parecida a la
distribución binomial, se distingue de ella en que los eventos ocurren a lo largo de un
intervalo de tiempo o espacio. La variable aleatoria discreta –el número de éxitos por
unidad (es decir, por periodo, área, etc.)– es representativa de una distribución de
Poisson. Cuando el criterio es el área, se hace referencia a que se puede, por
ejemplo, entrevistar a 100 personas en un kilómetro cuadrado.
No sólo existen numerosos fenómenos discretos representados por una
distribución de Poisson, sino que es posible emplear la distribución de Poisson como
una aproximación a la distribución binomial cuando se proporciona el total de datos
referentes a un problema y el número de datos es grande (mayor a 30), ya que no se
puede calcular fácilmente el factorial de un número superior a ése, por lo que en este
caso el promedio se define como = n · p, con la característica de que el valor de la
probabilidad es muy pequeño. Se dice que la distribución de Poisson es la
distribución límite de la binomial a medida que la muestra se hace muy grande y p se
aproxima a cero.
Para determinar la probabilidad de ocurrencia de un número establecido de
eventos en una distribución de Poisson sólo se requiere de un valor: el número
promedio de eventos en la dimensión temporal o espacial específica de interés. Por
lo general esta media se representa por la letra griega (lambda). Esta distribución se
representa por:
ex
P( )x x!

Donde: e = 2.71828, es la base de los logaritmos naturales.

= constante positiva igual a la media de la distribución. x = cualquier número
entero positivo o valor que toma la variable aleatoria.
Ejemplo 12
El número promedio de ventas de una compañía en una hora es de 5, se desea
conocer cuál es la probabilidad de que en una hora determinada se realicen:

a) Tres ventas.
b) Seis ventas.

UNIDAD 5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA 23

 En los datos se puede apreciar que se conoce el valor de , por lo cual se
emplea la distribución de Poisson.

a) Como el promedio de ventas por hora es cinco, entonces = 5, siendo x = 3.

(e 5) ( ) 5 3 ( .271828) ( )5 5 3 ( .00067 125)( ) 08375.

P( )301396.
3!
3! 3 2
1 6
P(3) = 0.1396
La probabilidad de que se realicen en promedio tres ventas en una hora, es de
0.1396.

b) Se desea conocer la probabilidad de que se realicen x = 6 ventas, por lo cual:

(e 5) ( ) 5 6 ( .271828) ( )5 5 6 (. )( )
0006715625 1046875
.
P( )601454.
6! 6! 654 21 720

La probabilidad de que se realicen en promedio seis ventas en una hora es

0.1454.

Ejemplo 13
Una compañía de seguros considera que en las pólizas que vende debe adicionar
una cobertura de gastos médicos mayores para padecimientos poco frecuentes.
La probabilidad de que un individuo aleatoriamente seleccionado tenga ese
padecimiento es de 0.001 y el grupo de asegurados es de 3 000 personas.

a) ¿Cuál es la probabilidad de que ninguna de las 3 000 personas presente el

padecimiento?
b) ¿Cuál es la probabilidad de que 10 personas presenten el padecimiento?

Como puedes observar, en este caso se proporciona el total de elementos

considerados en el estudio (3 000), el cual es grande, por lo que se tiene que
emplear la aproximación a la distribución binomial con el fin de facilitar el
cálculo de la probabilidad requerida.

Para conocer el promedio de personas que tienen el padecimiento hay que

multiplicar la probabilidad de que lo tengan por el total de elementos
contenidos en la muestra, por lo que = n · P = (0.001)(3 000) = 3.

a) Como el promedio de personas que puede presentar el padecimiento es = 3 y

x = 0:

(e 3) ( ) 3
0
( .271828) ( )
3
3 0 ( .0049787068 1) ( )
004. 787068
P( )0 0049787068.
 0! 0! 1 1
P(0) = 0.049787068

ESTADÍSTICA PARA NEGOCIOS

Con el resultado puede deducirse que la probabilidad de que ninguna

persona presente el padecimiento es 0.049787068, siendo un valor muy bajo.

b) El promedio de personas que puede presentar el padecimiento es = 3 y x =

10:

(e 3) ( ) 3 10 ( .271828) ( )3 3 10 ( .0049787068 59) (049) 2 939876578 .

P(500)
10! 10! 10 9 8 7 6 5 4 3 2 1 3 628 800
= 0.000810151
P (10) = 0.000810151

El resultado muestra que la probabilidad de que 10 personas puedan

presentar el padecimiento es realmente bajo, con lo cual puede concluirse que a la
compañía aseguradora le conviene incluir en su cobertura el rubro de
incremento en gastos médicos, ya que se considera que la probabilidad de que
se contraiga el padecimiento es baja y con ello no tendrá que pagar mucho.

UNIDAD 5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA 25

1. Los clientes de una tienda de autoservicio llegan a una caja ocupada a una tasa
media de tres por minuto. La tienda desea conocer la probabilidad de que en un
minuto determinado se produzcan dos o menos llegadas para establecer el número
de cajas que deben estar funcionando para dar un mejor servicio.

2. El conmutador de un edificio de consultoras publicitarias puede manejar un máximo

de cinco llamadas por minuto, según el fabricante. Si la experiencia indica que se
recibe un promedio de cinco llamadas por minuto que declara el fabricante,
encuentra la probabilidad de que se reciban tres llamadas en un minuto dado.

3. Los clientes de una tienda de artículos deportivos llegan a un mostrador ocupado a

una tasa media de cuatro por minuto. Se desea conocer la probabilidad de que en
un minuto determinado lleguen tres clientes.

4. El número de accidentes mensuales en una cadena de producción es de 2.6 para

un mes concreto, ¿cuál es la probabilidad de que no existan accidentes?
 5. Un profesor recibe en promedio 4.2 llamadas de sus estudiantes el día anterior al
examen, ¿cuál es la probabilidad de que reciba dos llamadas en esos días?

ESTADÍSTICA PARA NEGOCIOS

5.7. Distribución geométrica

En la distribución binomial nos interesa conocer la probabilidad de que se susciten éxitos
o fracasos, pero no importa el orden en que se den, es decir, no es de importancia si el
primer éxito se da en el primer, quinto o último experimento. Por ejemplo, si se tiene un
lote de artículos y se elige una muestra de cinco para ver si presentan defectos
(fracaso), no importa si el primer defecto se encuentra en el primer, tercer o cuarto
artículo, lo importante es conocer la probabilidad de que dos o tres o cinco artículos
sean defectuosos.
La distribución geométrica se basa en la distribución binomial sólo que en ésta nos
interesan las probabilidades de que el primer éxito o fracaso ocurra en un experimento
dado, por ejemplo, es de interés conocer si el primer éxito o fracaso ocurre en el tercer
experimento.
En la distribución geométrica se tienen x experimentos y para que el primer éxito
(fracaso) se dé en el x-ésimo experimento (el experimento elegido), deberán
ocurrir antes x – 1 fracasos (éxitos) cuya probabilidad es (1 – P)x–1.

UNIDAD 5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA 27

 Por ejemplo, si se estudia la venta de 10 automóviles de tres marcas diferentes (A,
B, C) en una hora dada con probabilidades de éxito y fracaso conocidas y se desea
saber la probabilidad de que el primer éxito (la primera venta de la marca B) se dé en la
tercera venta realizada, se tienen x = 3 experimentos (ventas) pero antes se dieron x – 1
= 3–1 = 2 fracasos (ventas de otras marcas). La probabilidad de que el primer éxito o
fracaso ocurra en el x-ésimo experimento es: P(x) = P(1 – P)x–1

Donde:
P(x) = Probabilidad de que el primer éxito se de en el experimento x.
P = Probabilidad de éxito. (1–P) = Probabilidad de fracaso. x
= Experimento elegido donde se espera que se obtenga el primer
éxito. x – 1 = Fracasos ocurridos antes de que se obtenga el
primer éxito.

Ejemplo 14
Una casa de bolsa tiene un paquete de acciones con distintos rendimientos. Si la
probabilidad de que se eleve el rendimiento de las acciones es de 0.7, encuentra la
probabilidad de que la cuarta acción sea la que eleve primero su rendimiento.

La probabilidad de éxito está definida por la probabilidad de que las acciones

eleven su rendimiento, por lo cual P = 0.7; la probabilidad de fracaso es (1 – P) = 1 – 0.7
= 0.3. Como se espera que la cuarta acción sea la que eleve primero su rendimiento, x =
4.

P(x) = P(1 – P)x–1

P(4) = (0.7) (0.3)4 – 1 = (0.7) (0.3)3 = (0.7) (0.027) = 0.0189
P(4) = 0.0189

La probabilidad de que la cuarta acción sea la que eleve primero su rendimiento es

de 0.0189, lo cual indica que es poco probable que esta acción sea la que eleve primero
su rendimiento.
Ejemplo 15
Al participar en un concurso, la probabilidad de que un participante acierte una respuesta es de 0.6.
¿Cuál es la probabilidad de que el participante proporcione la primera respuesta correcta en su
tercer intento?

La probabilidad de éxito es P = 0.6, la probabilidad de fracaso es (1 – P) = 1 – 0.6 = 0.4

P (3) = (0.6)(0.4)3 – 1 = (0.6)(0.4)2 = (0.6)(0.16) = 0.096 P(3) =

0.096

La probabilidad de que el concursante proporcione la primera respuesta acertada en su tercer

intento es 0.096.

29
 1. El departamento de recursos humanos de una compañía tiene tres candidatos factibles
para un puesto gerencial, los cuales han sido seleccionados a través de varias pruebas,
determinándose que la probabilidad de acertar las respuestas es de 0.9; para decidir cuál
de ellos debe quedarse con el puesto, se les hará una prueba más. ¿Cuál es la
probabilidad que el primer candidato conteste acertadamente a la prueba?

2. Si la probabilidad de que un estudiante de una clase numerosa pueda dar la respuesta a un

problema asignado es de 0.3, ¿cuál es la probabilidad de que el cuarto estudiante
seleccionado al azar por el instructor sea el primero en dar la respuesta correcta?

30 ESTADÍSTICA PARA NEGOCIOS

UNIDAD 5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA

5.8 Implementación en los procesos de pronóstico para los negocios

Sin lugar a dudas una de las partes más importantes dentro de la administración de un negocio es
la referente al proceso de pronosticación y predicción objetiva del futuro, la cual se basa en tratar de
adelantarse al escenario actual y vislumbrar el escenario futuro de la situación de la empresa o de
un proyecto en específico. Es aquí donde las diferentes distribuciones probabilísticas y la propia
estadística pueden apoyar de manera ardua y significativa.
Es importante señalar que esta actividad inherente al manejo eficiente de los negocios y de las
propias organizaciones se ha realizado con mucha antelación en la historia organizacional y
empresarial, debido a que saber o poder identificar qué se espera que suceda en el futuro es una
ventaja competitiva que proporciona, sin lugar a dudas, diferenciación y éxito en cualquier empresa
y negocio. Sin embargo, la parte importante radica en la forma en que estos pronósticos se han
llevado a cabo, y a decir verdad, hasta hace relativamente poco existen métodos para realizar con
mayor asertividad y objetividad el proceso de los pronósticos.
Lo que ha dado al traste con múltiples proyectos es que muchas empresas sustentan sus
procesos decisorios sólo en cuestiones cualitativas, cuando actualmente el mundo nos ha dado
lecciones referentes a que no todas las decisiones se deben dar y sustentar en un proceso
cualitativo, sino más bien en una mezcla estratégica de información cualitativa y cuantitativa. Y es
ahí donde la cuestión estadística y de pronosticación cobra mayor envergadura.
Un número cada vez mayor de organizaciones está redefiniendo y formalizando el proceso de
elaboración de pronósticos para llevar a cabo una serie de planificaciones organizacionales
efectivas; por ejemplo, podemos mencionar la planeación referente a los procesos comerciales, a la
capacidad productiva de una planta o una unidad de negocio, a los pronósticos financieros, a los
pronósticos de quejas y observaciones de nuestros clientes o proveedores, etc., y por ende generar
un mejor desempeño de todo lo largo y ancho de la organización.
Actualmente, dentro del lenguaje de los negocios y de la administración efectiva de las
organizaciones cobra gran relevancia el término de productividad, competitividad y rentabilidad; sin
embargo, atrás de estos conceptos primordiales para los negocios se encuentra un proceso de
pronosticación efectivo.

Riesgo

Rentabilidad
Pronosticación Desarrollo
Productividad de la
efectiva
empresa,
negocio
Competitividad proyecto

Incertidumbre

Ahora bien, es importante señalar que para que el proceso de pronosticación sea efectivo debe
partir de una aculturización en dos vertientes muy importantes y que resultan ser la base de todo el
proceso: la cultura hacia la predicción y la cultura hacia la planeación. Se debe señalar que cuando
se lleva a cabo un proceso ineficiente de pronosticación, la incertidumbre y el riesgo se incrementan
31
 de manera sustanciosa, y como resultado, la posibilidad de toma de decisiones poco
efectivas es más latente. Por ello el tema de pronosticar es extenso y requiere de
técnicas adecuadas y tropicalizadas para cada situación, empresa, producto, área
funcional, etcétera.
¿Pero cómo se empieza a generar un pronóstico eficiente? La respuesta inicial es que
se deben identificar y comprender los elementos que influencian a la demanda, y su
comportamiento a partir de los diferentes componentes del entorno y de las
características propias de los elementos a pronosticar (ya sea un producto o servicio en
específico, inversión, comportamiento de cliente, tiempo de elaboración de un producto,
etcétera).
Como segunda respuesta se puede mencionar que el hecho de pronosticar no
puede ser identificado como una mera predicción de lo que pasará en el futuro. Es por ello
que un pronóstico se integra a partir de datos que se convierten en información, y que esa
información a su vez tiene una gran probabilidad de ocurrencia. En otras palabras,
normalmente se pudiera pensar que los pronósticos son elementos mágicos y metafísicos que
permiten adivinar de manera exacta lo que sucederá en el futuro, y que además tienen una
certeza total. Sin embargo los pronósticos, como otras herramientas cuantitativas que son
aplicables a la administración y al gerenciamiento efectivo de una organización o
proyecto, coadyuvan a un desarrollo efectivo pero no son la panacea solucionadora de todos
los problemas decisorios.
Ahora bien, en cuanto a lo que nos concierne en este apartado, podemos decir que las
diferentes técnicas de pronósticos estadísticos son muy útiles, ya que cuantifican de
manera muy precisa ciertos componentes de la demanda, como tendencia, patrones de
estacionalidad o de eventos.

Pronósticos y planeación: procesos críticos del negocio

Analicemos primeramente qué se entiende por planeación y cómo los pronósticos son parte
inherente de esta etapa del proceso administrativo, y a partir de ello establezcamos la
interrelación existente.
En primera instancia la planeación es pensar en las actividades, metas y objetivos que
se deben logran en un futuro, ya sea mediato o inmediato, y una herramienta que ayuda a este
proceso es sin lugar a dudas la pronosticación.
El diseño y elaboración de los pronósticos requiere información que surge de y se
aprovecha para la planeación. En toda organización, quien se encarga de desarrollar los
pronósticos debe tomar en cuenta las actividades planeadas, como ofertas, rebajas,
promociones, modificación de precios, cambios en el entorno o sector al que nos
dirigimos, etc., ya que ello coadyuva al desarrollo efectivo de pronósticos eficientes y
competitivos.
Es indudable comentar que otra característica importante reside en que la parte
histórica de todos los acontecimientos planteados anteriormente se debe ir acumulando de
manera formal, ya que al tenerse a la mano servirá de referencia cuantitativa para
elaborar pronósticos más objetivos.
Por ejemplo, un estudio realizado por el Institute of Business Forecasting (IBF),
titulado “Why Forecasting?” (www.ibf.org), comenta que “hoy en día es ineludible un
proceso más formal para elaborar los pronósticos sin importar en qué tipo de negocio o

ESTADÍSTICA PARA NEGOCIOS

 industria se localice la empresa o qué función realiza. Siempre hay una necesidad de estimar el
futuro sobre el cual construir un plan”.
Este estudio también señala que diversas áreas de la empresa establecen planes
diferentes a partir de los pronósticos:

El área de mercadotecnia o comercialización requiere pronósticos para determinar qué

productos o servicios pueden ser factibles de insertar en el mercado, así como terminar
con la comercialización de otros.

Identificar la cantidad de procesos que se pueden elaborar en cierta área de la empresa, es

decir, la capacidad de operación.
El área de ventas requiere pronósticos para establecer cuotas u objetivos de venta, y así
poder diseñar estrategias más particularizadas hacia sus vendedores, así como sus
estrategias de mercadeo o promoción.

El área de logística o cadena de valor necesita tener pronósticos efectivos para diseñar el
proceso de planeación de la producción, el abastecimiento y las estrategias de logística.

El área de recursos financieros necesita identificar las tendencias basándose en pronósticos

acerca de los ingresos, los egresos, la carga fiscal, etcétera.

El área de recursos humanos o capital humano requiere identificar su rotación de capital

humano con base en pronósticos de permananencia.

Pese a todo lo anterior, aún persisten miembros de organizaciones que son incrédulos de toda
la fortaleza decisoria que apoya una pronosticación efectiva, y siguen pensando que la experiencia
y el presentimiento son las bases para vislumbrar lo que sucederá en un futuro y tomar decisiones.
Ahora bien, cuando se trata de utilizar la estadística en el diseño y desarrollo de pronósticos,
debemos contemplar una serie de puntos de gran importancia, como:

a) Cuál es la funcionalidad de las técnicas estadísticas en el diseño de pronósticos.

b) Cuántos datos se requieren y de qué tipo.

c) Cómo se puede cuantificar el impacto de la desviación de los pronósticos con respecto a la

realidad.

d) Cómo pronosticar cientos de productos y servicios en tiempo y forma adecuada.

UNIDAD 5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA 33

 e) Cuál debe ser el perfil profesional y de habilidades del encargado de realizar pronósticos
en las organizaciones actuales.1

Esto le permitirá evaluar si tiene oportunidad de mejorar su proceso mediante el uso de

alguna herramienta o capacitación. Hoy en día las compañías cuentan con la posibilidad de
romper paradigmas culturales acerca de la realización de pronósticos. Hacer buenos pronósticos de
demanda es un proceso que agrega valor, ya que está íntimamente relacionado con la toma de
decisiones que impactan en el rendimiento financiero de la empresa.
Como ejemplo de lo anterior podemos mencionar el siguiente caso:
¿Qué ha estado ocurriendo con DELL últimamente? La respuesta es que siendo DELL un
gigante en el mercado de la tecnología, y de manera específica en la cuestión del hardware, que
innovó en el desarrollo de nuevas formas de producción y comercialización del mismo y que ha
tenido un desarrollo excepcional en los últimos años, hoy en día está sufriendo un grave colapso
financiero y comercial, debido en gran parte a una mala pronosticación de ventas de sus equipos en
la parte empresarial, es decir, su pronóstico en el sector de ventas a empresas y sus respectivos
equipos no fue objetivo y realista; algo falló, ocasionando que los resultados distaran mucho de la
realidad y sus planes estratégicos se fundaran en esa esperanza de ventas, las cuales nunca
llegaron y hoy ponen en serios aprietos a esta empresa de carácter mundial.
Sin duda la experiencia por la que está pasando DELL debe de servir para concluir que
los pronósticos tienen una gran importancia, y que de su objetividad dependen muchas
expectativas de la empresa.
Finalmente, es importante mencionar que las mejores prácticas en cuanto a
pronosticación sugieren una combinación de pronósticos estadísticos con pronósticos por
experiencia, y la parte cuantitativa y cualitativa deben estar relacionadas de manera
sinérgica, a fin de que la empresa sea competitiva de manera permanente y consolidada.

Ejemplo 15
1. Una empresa de transportes urbanos de la ciudad de México realizó un estudio sobre el
número de autobuses carros de la ruta México-Acapulco por semana;
adicionalmente, los expertos del área de mantenimiento establecieron las
probabilidades f(x) para cada uno de los eventos. Los resultados se muestran en la tabla
siguiente:
Carros averiados Probabilidad f(x)

La 0 0.01 capacidad de
operación 1 0.05 del área de
2 0.10 mantenimiento es de
cuatro 3 0.22 carros por
semana; 4 0.28 el gerente del área de
5 0.24
mantenimiento
necesita definir un plan
6 0.08
estratégico
7 0.02
(pronosticar) para

1 Adaptado de “Pronósticos de negocios”. Armando González, su autor, es gerente general de Forecast Pro
Latinoamérica. Forecast Pro es el software líder para pronósticos de negocios (recogido del portal
http://www.gerencie.com. Todo lo que un contador y empresario debe saber).

ESTADÍSTICA PARA NEGOCIOS

 prevenir contingencias en la próxima semana de vacaciones y minimizar los costos por
unidades averiadas, para lo cual se le solicita que determine:

a) La probabilidad de dar servicio a cuatro carros por semana.

b) La probabilidad de dar servicio a menos de cuatro carros a la semana.

c) La probabilidad de atender a más de cuatro carros a la semana.

d) Con base en los resultados anteriores, ¿se justificaría la inversión para ampliar la estación
de mantenimiento?

Solución
Por las condiciones del problema se trata de una distribución de Poisson:

a) La probabilidad de dar servicio a 4 carros por semana.

La fórmula que se aplicará para la solución de este problema es la función de probabilidad

de Poisson:
ex
P( )x x!
Para lo cual se requiere el valor de , que representa la media de la distribución. En este caso
la media de la distribución es el valor esperado, de donde E f(x).

Carros averiados Probabilidad f(x) f(x) Por lo tanto =

3.85.
0 0.01 0.00
Para determinar
1 0.05 0.05 la probabilidad de
2 0.10 0.20 dar servicio a 4
3 0.22 0.66 carros únicamente a
4 0.28 1.12 la semana, es decir
5 0.24 1.20 a 100% de la
6 0.08 0.48 capacidad del área
7 0.02 0.14 de mantenimiento,
Total 1.00 3.85 hacemos x = 4 y
sustituimos en la
fórmula:

( .385)4e 385.
P( )4 01948.
4!
Por lo tanto, la probabilidad de dar servicio a 4 carros a la semana es de 19.48%.

b) La probabilidad de dar servicio a menos de 4 carros a la semana.

UNIDAD 5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA 35

0! 1!
2 385
. 3 385
.
(.385 ) e (.385 ) e
 Para resolver este problema se debe tomar la probabilidad cuando x es menor a 4, es decir,
para el caso x = 3, 2, 1 y 0.

( .385)0e 3 85. ( .385)1e 3 85.

P( )000213. P( )100819.

P( )201577. P( )302024.
2! 3!

La probabilidad para P(x < 4) = P(0) + P(1) + P(2) + P(3).

P(x < 4) = 0.0213 + 0.0819 + 0.1577 + 0.2024 = 0.4633

Por lo tanto, la probabilidad de dar servicio a menos de 4 carros a la semana es de 46.33%.

c) La probabilidad de atender a más de 4 carros a la semana.

Para obtener la probabilidad de dar servicio a más de 4 carros a la semana determinamos que
P(x > 4) = 1 –P
P P(x = 4) + P(x < 4) = 0.1948 + 0.4633 = 0.6581
P(x > 4) = 1 – 0.6581 = 0.3419
Por lo tanto, la probabilidad de atender a más de 4 carros a la semana es de 34.19%.
d) Con base en los resultados anteriores, ¿se justificaría la inversión para ampliar la
estación de mantenimiento?
Como se puede apreciar, el área de mantenimiento trabaja la mayor parte del año
por debajo de su capacidad máxima (4 carros a la semana con una probabilidad de
65.81%), y pocas veces trabaja por arriba de su máxima capacidad, con una
probabilidad de 34.19%. Por esta razón no se recomienda hacer una expansión en el área
de mantenimiento.

2. Una empresa informa que 25% de sus cuentas por cobrar a otras empresas están
vencidas. Si un contador toma una muestra aleatoria de 10 de las cuentas por
cobrar, determine la probabilidad de:

a) Que ninguna de las cuentas esté vencida.

b) 3 de las cuentas estén vencida.

c) Si la probabilidad de que 3 de las 10 cuentas estén vencidas es mayor a 25%, la

empresa necesitará establecer medidas pertinentes. ¿Deberá tomarlas o no?

Solución
Se trata de una distribución de tipo binomial.

a) Que ninguna de las cuentas esté vencida.

En este caso el tamaño de la muestra es n = 10, la probabilidad de éxito p = 0.25,
y la probabilidad de fracaso es q = 1–0.25 = 0.75.

ESTADÍSTICA PARA NEGOCIOS

 Sustituyendo estos valores en la fórmula para obtener la probabilidad si x = 0, se tiene:

pk( ) nC p qk
n k n!pk qn k
k n k!( )!

p( )0 ( .0250)( .07510) 0 0563.

La probabilidad de que ninguna de las cuentas esté vencida es: 0.0563.

b) 3 de las cuentas estén vencidas.

x = 3, sustituyendo tenemos:

p( )3 ( .0253)( .07510 3) 02503.

La probabilidad de elegir 3 cuentas vencidas es 0.2503.

c) Si la probabilidad de que 3 de las 10 cuentas estén vencidas es mayor a 25%, la empresa

necesitará establecer medidas pertinentes. ¿Deberá tomarlas o no?
Como la probabilidad de que 3 de las 10 cuentas estén vencidas es de 25.03%, la
empresa deberá tomar medidas.

UNIDAD 5. DISTRIBUCIONES DE PROBABILIDAD DISCRETA 37