1

ESTADISTICA APLICADA A LOS

NEGOCIOS
Lic. Norma Irene Sols Reyna
Lic. Jess Daniel Mrquez Melndez
Lic. Eric Crdenas Cervantes
Ing. Jess Gerardo Armijo Wong
DISTRIBUCIONES DE
PROBABILIDAD
1
MAESTRIA EN
ADMINISTRACION Y LIDERAZGO
2
Definicin

Una distribucin de probabilidad indica toda la gama de valores que
pueden representarse como resultado de un experimento si ste se
llevase a cabo.

Es decir, describe la probabilidad de que un evento se realice en el futuro,
constituye una herramienta fundamental para la prospectiva, puesto que
se puede disear un escenario de acontecimientos futuros considerando
las tendencias actuales de diversos fenmenos naturales.
DISTRIBUCIONES DE PROBABILIDAD
2
3

Toda distribucin de probabilidad es generada por una variable (porque
puede tomar diferentes valores) aleatoria x (porque el valor tomado es
totalmente al azar), y puede ser de dos tipos:

1. Variable aleatoria discreta (x). Porque solo puede tomar valores
enteros y un nmero finito de ellos. Por ejemplo:
xVariable que nos define el nmero de alumnos
aprobados en la materia de probabilidad en un grupo de
40 alumnos (1, 2 ,3 los 40).

PROPIEDADES DE UNA VARIABLE ALEATORIA DISCRETA (X)
a) 0p(x
i
)s1 Las probabilidades asociadas a cada uno de los
valores que toma x deben ser mayores o iguales a cero y
menores o iguales a 1.

b) Ep(x
i
) = 1 La sumatoria de las probabilidades asociadas a
cada uno de los valores que toma x debe ser igual a 1.
VARIABLES ALEATORIAS
3
4
Ejemplo para variable aleatoria discreta
Tenemos una moneda que al lanzarla puede dar slo dos
resulatdos: o cara (50%), o cruz (50%).
La siguiente tabla nos muestra los posibles resultados de
lanzar dos veces una moneda:
PRIMER
LANZAMIENTO
SEGUNDO
LANZAMIENTO
NUMERO DE
CARAS EN 2
LANZAMIENTOS
PROBABILIDAD
DE LOS 4
RESULTADOS
POSIBLES
CARA CARA 2 .5 X .5 = .25
CARA CRUZ 1 .5 X .5 = .25
CRUZ CARA 1 .5 X .5 = .25
CRUZ CRUZ 0 .5 X .5 = .25
VARIABLES ALEATORIAS
4
5
Ejemplo para variable aleatoria discreta
Al realizar la tabla de distribucin del nmero posible de
caras que se obtiene al lanzar una moneda dos veces,
obtenemos:
NMERO DE CARAS LANZAMIENTOS
PROBABILIDAD DE ESTE RESULTADO
P(CARA)
0 (CRUZ, CRUZ) 0.25
1
(CARA,CRUZ)
+
(CRUZ, CARA)
0.50
2 (CARA, CARA) 0.25
NOTA:
ESTA TABLA NO REPRESENTA EL RESULTADO REAL DE LANZAR UNA MONEDA DOS VECES
SINO LA DEL RESULTADO TERICO, ES DECIR REPRESENTA LA FORMA EN QUE ESPERAMOS
SE COMPORTE NUESTRO EXPERIMENTO DE LANZAR DOS VECES UNA MONEDA
VARIABLES ALEATORIAS
5
6

2. Variable aleatoria continua (x). Porque puede tomar tanto valores
enteros como fraccionarios y un nmero infinito de ellos dentro de
un mismo intervalo. Por ejemplo:
xVariable que nos define la concentracin en gramos
de plata de algunas muestras de mineral (14.8 gr, 12.1,
10.0, 42.3, 15.0, 18.4, 19.0, 21.0, 20.8, , )

PROPIEDADES DE UNA VARIABLE ALEATORIA DISCRETA (X)
p(x)>0 Las probabilidades asociadas a cada uno de los
valores que toma x deben ser mayores o iguales a cero.
Dicho de otra forma, la funcin de densidad de
probabilidad deber tomar solo valores mayores o iguales
a cero.

El rea definida bajo la funcin de densidad de
probabilidad deber ser de 1.

}

=1 dx ) x ( f
VARIABLES ALEATORIAS
6
7
(las ms importantes)

Distribucin Binomial


Distribucin Poisson


Distribucin Normal
DISTRIBUCIONES DE PROBABILIDAD DE
LAS VARIABLES ALEATORIAS
7
8
La distribucin Binomial es un caso particular de probabilidad de
variable aleatoria discreta, y por sus aplicaciones, es posiblemente la
ms importante.
Esta distribucin corresponde a la realizacin de un experimento aleatorio
que cumple con las siguientes condiciones:
* Al realizar el experimento slo son posible dos resultados: el
suceso A, llamado xito, o su contrario A, llamado fracaso.
* Al repetir el experimento, el resultado obtenido es independiente
de los resultados obtenidos anteriormente.
* La probabilidad del suceso A es constante, es decir, no vara de
una prueba del experimento a otra. Si llamamos p a la
probabilidad de A, p(A) = P, entonces p(A)= 1 p = q
* En cada experimento se realizan n pruebas idnticas.
DISTRIBUCION BINOMIAL
8
9
Todo experimento que tenga estas caractersticas se dice que sigue el
modelo de la distribucin Binomial o distribucin de Bernoulli.

En general, si se tienen n ensayos Bernoulli con probabilidad de xito p y
de fracaso q, entonces la distribucin de probabilidad que la modela es la
distribucin de probabilidad binomial y su regla de correspondencia es:




Como el clculo de estas probabilidades puede resultar algo tedioso se
han construido tablas para algunos valores de n y p que nos facilitan el
trabajo (Ver las tablas de la funcin de probabilidad Binomial).
P(X=x) =
n!
x!(n x)!
p
X
q
n - X
DISTRIBUCION BINOMIAL
9
10
DISTRIBUCION BINOMIAL / MINITAB
Cul es la probabilidad de obtener
exactamente 2 caras al lanzar una misma
moneda 6 veces ?
P(X=x) =
n!
x!(n x)!
p
X
q
n - X
Donde:
P(X) es la probabilidad de ocurrencia del
evento
p es la probabilidad de xito del evento (en
un intento) (0.5)
q es la probabilidad de fracaso del evento
(en un intento) (se define como q = 1 p )
(0.5)
X = ocurrencia del evento o xitos deseados
= 2
n = nmero de intentos = 6

A la columna C1 la titulamos X y en el rengln
1 columna 1 colocamos 2 (el cual representa el
nmero de ocurrencia del evento, queremos
saber la probabilidad de que caigan
exactamente dos caras).

Seleccionamos:
Calc / Probability Distributions / Binomial 10
11
DISTRIBUCION BINOMIAL / MINITAB
En seguida aparecer una ventana Binomial
Distribution (Distribucion Binomial).

Seleccionamos Probability

En el campo de Number of trials (Nmero
de intentos) colocamos 6

En el campo de Event probability
colocamos 0.5 (probabilidad de xito)

En el campo de Input column colocamos el
puntero del mouse y automticamente
aparecer en el recuadro de la izquierda C1
X el cual seleccionamos con el puntero del
mouse y luego presionamos Select

Una vez alimentado los datos presionamos
OK .
11
12
DISTRIBUCION BINOMIAL / MINITAB
* Para obtener de esta manera el resultado.

La probabilidad de que caigan 2 caras en el
lanzamiento de una moneda 6 veces es
0.234375.

Comprobando (sustituyendo en la frmula):
P(X) =
n!
X!(n X)!
p
X
q
n - X
Al sustituir los valores en la frmula
obtenemos:
P(2 caras) =
6!
2!(6 2)!
(0.5
2
) (0.5
6 2
)
P(2 caras) =
720
2(24)
(.25) (0.0625)
P(2 caras) = 0.234375
Resolviendo:
12
13
Para una combinacin
de n y p, la entrada indica
una probabilidad de
obtener un valor
especfico de r.
Para localizar la entrada,
cuando p0.50, localice p
a lo largo del encabezado
de la tabla, y en la
columna correspondiente
localice n y r en el
margen izquierdo;
cuando p0.50, localice
el valor de p en la parte
inferior de la tabla, y n y r
arriba, en el margen
derecho.
DISTRIBUCION BINOMIAL /
TABLAS BINOMIALES
* Tablas binomiales.
Para el ejemplo que estamos viendo: Cul es la probabilidad de obtener exactamente 2
caras al lanzar una misma moneda 6 veces ?
Tenemos p = 0.50, n = 6 y r = 2 obteniendo resultado directo de tablas
P(2 caras) = 0.2344
13
14
La distribucin de POISSON es tambin un caso particular de
probabilidad de variable aleatoria discreta, el cual debe su nombre a
Simon Denis Poisson (1781-1840), un francs que la desarroll a partir
de los estudios que realiz durante la ltima etapa de su vida.

Esta distribucin se utiliza para describir ciertos procesos.


Caractersticas:
En este tipo de experimentos los xitos buscados son expresados por
unidad de rea, tiempo, pieza, etc:
- # de defectos de una tela por m
2

- # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc.
- # de bacterias por cm
2
de cultivo
- # de llamadas telefnicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a un puerto por da, mes, etc, etc.
DISTRIBUCION DE POISSON
14
15
Para determinar la probabilidad de que ocurran x xitos por unidad de
tiempo, rea, o producto, la frmula a utilizar sera:




donde:
p(X) = probabilidad de que ocurran x xitos, cuando el nmero promedio
de ocurrencia de ellos es
= media o promedio de xitos por unidad de tiempo, rea o producto
e = 2.718 (base de logaritmo neperiano o natural)
X = variable que nos denota el nmero de xitos que se desea que ocurra

Hay que hacer notar que en esta distribucin el nmero de xitos que
ocurren por unidad de tiempo, rea o producto es totalmente al azar y que
cada intervalo de tiempo es independiente de otro intervalo dado, as
como cada rea es independiente de otra rea dada y cada producto es
independiente de otro producto dado.
DISTRIBUCION DE POISSON
P(X, ) =

x
e
-
X!

15
16
Si un banco recibe en promedio 6 cheques
sin fondo por da, cules son las
probabilidades de que reciba, a) cuatro
cheques sin fondo en un da dado, b) 10
cheques sin fondos en cualquiera de dos
das consecutivos? (e= 2.718281828)

Resolviendo para :
a) x = 4; = 6 cheques sin fondo por da
DISTRIBUCION DE POISSON / MINITAB
A la columna C1 la titulamos X y en el rengln
1 columna 1 colocamos 4 (el cual representa el
nmero de ocurrencia del evento, queremos
saber la probabilidad de que el banco reciba 4
cheques sin fondos en un da dado)

Seleccionamos:
Calc / Probability Distributions / Poisson
16
17
En seguida aparecer una ventana
Poisson Distribution (Distribucin de
Poisson).

Seleccionamos Probability

En el campo de Mean (media = )
colocamos 6 (promedio de cheques
diarios recibidos sin fondos)

En el campo de Input column
colocamos el puntero del mouse y
automticamente aparecer en el
recuadro de la izquierda C1 X el cual
seleccionamos con el puntero del
mouse y luego presionamos Select

Una vez alimentado los datos
presionamos OK .
DISTRIBUCION DE POISSON / MINITAB
17
18
* Para obtener de esta manera el resultado.

a) Por lo tanto la probabilidad de que el
banco reciba cuatro cheques sin fondo
en un da dado es de 0.133853
(13.39%)

Comprobando (sustituyendo en la frmula):
Al sustituir los valores en la frmula
obtenemos:
P(4 cheques sin fondo) = 0.133853
Resolviendo:
P(X=4, =6 ) =

x
e
-
X!

P(X=4, =6 ) =
6
4
e
-6
4!

P(X=4, =6 ) =
1296x0.0025

24

DISTRIBUCION DE POISSON / MINITAB
18
19
DISTRIBUCION DE POISSON /
TABLAS DE POISSON
Valores directos para determinar probabilidades de Poisson.
Para un valor dado de , la entrada indica la probabilidad de obtener un valor especfico de X
Para el ejemplo, inciso a) que estamos viendo: Cul es la probabilidad de que el banco reciba cuatro
cheques sin fondo en un da dado?
Tenemos x = 4; = 6 cheques sin fondo por da; obteniendo resultado directo de tablas :
P(X=4, =6 ) = 0.1339
19
20
Resolviendo de igual manera para:
b)X=10; = 6 x 2 = 12 cheques sin fondo en
promedio que llegan al banco en dos das
consecutivos.

Por lo tanto la probabilidad de que el banco
reciba diez cheques sin fondo en dos das
consecutivos 0.104837 (10.4837%)

Comprobando (sustituyendo en la frmula):

Al sustituir los valores en la frmula
obtenemos:
Resolviendo:
P(X=10, =12 ) =
12
10
e
-12
10!

P(X=10, =12 ) =

x
e
-
X!

P(10 cheques sin fondo en
Dos das consecutivos)
= 0.104837
DISTRIBUCION DE POISSON / MINITAB
20
21
Valores directos para determinar probabilidades de Poisson.
Para un valor dado de , la entrada indica la probabilidad de obtener un valor especfico de X
DISTRIBUCION DE POISSON /
TABLAS DE POISSON
Para el ejemplo, inciso b) que
estamos viendo: Cul es la
probabilidad de que el banco reciba
diez cheques sin fondo en dos das
consecutivos?
Tenemos x = 10; = 12 cheques sin
fondo en das consecutivos;
obteniendo resultado directo de
tablas :
P(X=10, =12 ) = 0.1048
21
22
DISTRIBUCION DE POISSON COMO UNA
APROXIMACION DE LA DISTRIBUCION BINOMIAL
El uso de una distribucin para aproximar a otra es una prctica bastante comn
en probabilidad y estadstica. La idea consiste en buscar situaciones en las que
la distribucin (como la de Poisson) cuyas probabilidades son relativamente
fciles para calcular, tiene valores que s encuentran razonablemente cercanos a
las de otra distribucin (como la binomial) cuyas probabilidades implican
clculos ms complicados. Se sacrifica un poco de precisin a favor de una
simplificacin de los clculos.

La regla que se utiliza para utilizar la distribucin de Poisson como una buena
aproximacin de la distribucin binomial es:

* si n 20 y p 0.05

En los casos que se cumplen estas condiciones, podemos sustituir la media de
la distribucin binomial (np) en lugar de la media de la distribucin de Poisson
(), de modo que la frmula queda:

P(x) =
(np)
x
e
-np
x!

22
23
DISTRIBUCION DE POISSON COMO UNA
APROXIMACION DE LA DISTRIBUCION BINOMIAL
Por ejemplo:
Digamos que tenemos un hospital con 20 aparatos de dilisis de rin y que la
probabilidad de que cualquiera de ellos no funcione bien durante un da
cualquiera es de 0.02 Cul es la probabilidad de que exactamente tres
mquinas estn fuera de servicio en el mismo da?

n = 20; p(x) = 0.02 y x=3 utilizando la distribucin de Poisson como
aproximacin de la distribucin binomial tenemos:
P(X=x) =
n!
x!(n x)!
p
X
q
n - X
P(x) =
(np)
x
e
-np
x!

* Calculando por distribucin binomial tenemos:
P(3) =
20!
3!(20 3)!
0.02
3
(0.98)
20 - 3
= 0.00645
Observacin: la diferencia entre las dos distribuciones de probabilidad es pequea (slo de
aproximadamente el 10.85% de error para este ejemplo)
P(3) =
(20)(0.02)
3
e
-20(0.02)
3!

= 0.00715
23
24
La distribucin normal es tambin un caso particular de probabilidad de
variable aleatoria contnua, fue reconocida por primera vez por el
francs Abraham de Moivre (1667-1754). Posteriormente, Carl Friedrich
Gauss (1777-1855) elabor desarrollos ms profundos y formul la
ecuacin de la curva; de ah que tambin se le conozca, ms
comnmente, como la "campana de Gauss". La distribucin de una
variable normal est completamente determinada por dos parmetros, su
media () y su desviacin estndar (). Con esta notacin, la densidad de
la normal viene dada por la ecuacin:



que determina la curva en forma de campana que tan bien conocemos



DISTRIBUCION NORMAL
f(x) =
1

2

e

(x - )
2
2
2
-

x

-
dx
24
25
Existen dos razones bsicas por las cuales la distribucin normal ocupa
un lugar tan prominente en la estadstica :


Tiene algunas propiedades que la hacen aplicable a un gran nmero
de situaciones en la que es necesario hacer inferencias mediante la
toma de muestras.

La distribucin normal casi se ajusta a las distribuciones de
frecuencias reales observadas en muchos fenmenos, incluyendo
caractersticas humanas, resultados de procesos fsicos y muchas
otras medidas de inters para los administradores, tanto en el sector
pblico como en el privado.

DISTRIBUCION NORMAL
25
26
DISTRIBUCION NORMAL
Propiedad:
No importa cules sean los valores de y para un distribucin de probabilidad
normal, el rea total bajo la curva siempre es 1, de manera que podemos pensar
en reas bajo la curva como si fueran probabilidades. Matemticamente es verdad
que:

1. Aproximadamente el 68% de todos los valores de una poblacin normalmente
distribuida se encuentra dentro de 1 desviacin estndar de la media.

2. Aproximadamente el 95.5% de todos los valores de una poblacin
normalmente distribuida se encuentra dentro de 2 desviaciones estndar de
la media.

3. Aproximadamente el 99.7% de todos los valores de una poblacin
normalmente distribuida se encuentra dentro de 3 desviaciones estndar de
la media.

Ver grficas en la siguiente pgina
26
27
Relacin entre el rea bajo la curva de
distribucin normal de probabilidad y la
distancia a la media medida en
desviaciones estndar.
DISTRIBUCION NORMAL
Estas grficas muestran tres formas
diferentes de medir el rea bajo la curva
normal. Sin embargo, muy pocas de las
aplicaciones que haremos de la
distribucin normal de probabilidad
implican intervalos de exactamente (ms o
menos) 1, 2 3 desviaciones estndar a
partir de la media. Para estos casos
existen tablas estadsticas que indican
porciones del rea bajo la curva normal
que estn contenidas dentro de cualquier
nmero de desviaciones estndar (ms o
menos) a partir de la media.
Afortunadamente tambin podemos utilizar
una distribucin de probabilidad normal
estndar para encontrar reas bajo
cualquier curva normal. Con esta tabla
podemos determinar el rea o la
probabilidad de que la variable aleatoria
distribuida normalmente est dentro de
ciertas distancias a partir de la media.
Estas distancias estn definidas en
trminos de desviaciones estndar.
27
28
DISTRIBUCION NORMAL
Uso de la tabla de distribucin de probabilidad normal estndar
Para cualquier distribucin
normal de probabilidad, todos
los intervalos que contienen el
mismo nmero de desviaciones
estndar a partir de la media
contendrn la misma fraccin
del rea total bajo la curva para
cualquier distribucin de
probabilidad normal. Esto hace
que sea posible usar solamente
una tabla (Apndice Tabla 1) de
la distribucin de probabilidad
normal estndar.
28
29
El valor de z est derivado de la frmula:


En la que:
x = valor de la variable aleatoria que nos preocupa.
= media de la distribucin de la variable aleatoria.
= desviacin estndar de la distribucin.
z = nmero de desviaciones estndar que hay desde x a la media de la
distribucin. (el uso de z es solamente un cambio de escala de medicin del
eje horizontal)
DISTRIBUCION NORMAL
Z =
x -

Distribucin normal que ilustra la comparacin
de los valores de z y las desviaciones estndar.
29
30
DISTRIBUCION NORMAL / EJEMPLO
Ejemplo 1:
Hay un programa de entrenamiento diseado para mejorar la calidad de las
habilidades de supervisin de los supervisores de la lnea de produccin. Debido
a que el programa es autoadministrado, los supervisores requieren un nmero
diferente de horas para terminarlo. Un estudio de los participantes anteriores
indica que el tiempo medio que se lleva completar el programa es de 500 horas, y
que esta variable aleatoria normalmente distribuida tiene una desviacin estndar
de 100 horas. Cul es la probabilidad de que un candidato elegido al azar
requiera ms de 500 horas para completar el programa de entrenamiento?
30
De la grfica podemos observar que
la mitad del rea bajo la curva est
localizada a ambos lados de la media
de 500 horas. Por tanto, podemos
deducir que la probabilidad de que
la variable aleatoria tome un valor
mayor a 500 es el rea sombreada,
es decir, 0.5
31
DISTRIBUCION NORMAL / MINITAB
EJEMPLO 1
Para obtener la grfica en minitab
seleccionamos:
Graph / Probability Distribution
Plot

En seguida aparecer una ventana
Probability Distribution Plot (Grfica
de Distribucin de Probabilidad) con el
puntero seleccionamos View
Probability (Vista de Probabilidad) y
una vez seleccionado presionamos
OK.
32
En seguida aparecer otra una ventana Probability Distribution
Plot View Probability (Grfica de Distribucin de Probabilidad
Vista de Probabilidad).

En la pestaa de Distribution:

En el campo de Distribution: seleccionar Normal

En el campo de Mean (media = ) colocamos 500
(promedio de horas que se lleva completar el programa)

En el campo de Standar deviation colocamos 100
(desviacin estndar de la variable)

Seleccionamos ahora la pestaa de Shaded Area:

Con el puntero seleccionamos Probability
Con el punetro seleccionamos el Right Tail or Left Tail
(trabajaremos con right Tail)
En el campo de Probability: colocamos 0.5 (ya que para
este caso la media ocupa exactamente el punto ms alto
de la curva por tanto la probabilidad es de 0.5)

Una vez alimentado los datos presionamos OK .
DISTRIBUCION NORMAL / MINITAB
EJEMPLO 1
33
El programa MIinitab nos arrojar la grfica mostrada.

Estos pasos descritos fue simplemente para mostrar la manera de graficarlo.
DISTRIBUCION NORMAL / MINITAB
EJEMPLO 1
34
Ejemplo 2:
Partiendo de la misma premisa, = 500 y = 100. Cul es la probabilidad de
que un candidato elegido al azar se tome entre 500 y 650 horas en completar el
programa de entrenamiento?
Z =
x -

Z =
650 - 500

100

Si buscamos Z=1.5 (refirase a la tabla de la
pg. 28), encontramos una probabilidad de
0.4332.

Por lo tanto, la probabilidad de que un
candidato escogido al azar requiera entre 500
y 650 horas para terminar el programa de
entrenamiento es de 0.4332
Z=1.5 desviaciones estndar
DISTRIBUCION NORMAL / MINITAB
EJEMPLO 2
35
Para obtener la grfica en minitab
seleccionamos:
Graph / Probability Distribution
Plot

En seguida aparecer una ventana
Probability Distribution Plot (Grfica
de Distribucin de Probabilidad) con el
puntero seleccionamos View
Probability (Vista de Probabilidad) y
una vez seleccionado presionamos
OK.
DISTRIBUCION NORMAL / MINITAB
EJEMPLO 2
36
En seguida aparecer otra una ventana Probability Distribution
Plot View Probability (Grfica de Distribucin de Probabilidad
Vista de Probabilidad).

En la pestaa de Distribution:

En el campo de Distribution: seleccionar Normal

En el campo de Mean (media = ) colocamos 500
(promedio de horas que se lleva completar el programa)

En el campo de Standar deviation colocamos 100
(desviacin estndar de la variable)

Seleccionamos ahora la pestaa de Shaded Area:

Con el puntero seleccionamos Probability
Con el punetro seleccionamos el Middle
En el campo de X value 1: colocamos 500 (valor medio)
En el campo de X value 2: colocamos 650 (valor de la
probabilidad que toma la vareable en ese punto)

Una vez alimentado los datos presionamos OK .
DISTRIBUCION NORMAL / MINITAB
EJEMPLO 2
37
DISTRIBUCION NORMAL / MINITAB
El programa MIinitab nos arrojar la grfica mostrada y el valor obtenido.

Es decir, la probabilidad de que un candidato escogido al azar requiera entre 500
y 650 horas para terminar el programa de entrenamiento es de 0.433.
El reto de la materia Estadstica Aplicada a los Negocios, impartida por el Ing. Juan Alejandro Garza
Rodrguez, nos comprometi a aprender y a utilizar el Minitab como una herramienta ms.
Con los grandes avances tecnolgicos hemos ahorrado tiempo para el anlisis estadstico, sin
embargo la comprensin de la lgica que se utiliza para llegar a la resolucin del mismo es algo que
nos ha llevado a este estudio, el cual ha sido muy bien conducido por el Ing. Garza, quien nos imparte
la asignatura.
Con el desarrollo de este proyecto y gracias a la comprensin de conceptos y el manejo del programa
Minitab entendimos que es una poderosa herramienta estadstica que bien aplicada nos podr ayudar
a facilitar los clculos para la solucin de problemas. Lo cual contina con el propsito esencial:
Ahorro de costos y mejora contina en cualquier mbito en que nos desarrollemos. Aprendimos que
no es limitativa el rea en que nos desempeemos en nuestro trabajo ya que tanto en Ingeniera como
Materiales, en Recursos Humanos como en un Negocio Propio, en Comercio o en Industria, o bien por
puro pasatiempo en el panorama de la probabilidad estadstica, estas herramientas sern siempre de
gran utilidad.
Para esta presentacin aprendimos la aplicacin y manejo de las Distribuciones de Probabilidades
ms comunes, la Binomial, la de Poisson y finalmente la distribucin Normal.
Se investig adems de la utilizacin y funcionamiento del Minitab 15 el razonamiento, clculo manual
y por tablas como el mtodo original como se realizaba, antes de que el Minitab existiera como tal.
Deseamos compartir esta compilacin de informacin con alguien ms que al igual que nosotros
tuvimos la necesidad de investigar y realizar un trabajo de este tipo. Anlisis y estudios que nos han
abierto la mente as como nuestras habilidades para desempearnos con mayor eficiencia en nuestras
funciones laborales y personales.
Gracias por tomarse el tiempo de revisar nuestras aportaciones.
CONCLUSIONES
BIBLIOGRAFIA
Estadstica para Administradores. Sexta Edicin. Richard I. Levin & David S. Rubin. Editorial Prentice
Hall. Captulo 5 Probabilidad II: Distribuciones, pp.232 264

GE Lighting - AEA. Curso para Green Belts, Iniciativa Sies Sigma Semana #1. Abril 1997.

Minitab 15 (versin de prueba obtenida de www.minitab.com).

MeetMinitabEs.pdf (obtenido de www.minitab.com)

Distribucin de Probabilidades (informacin tomada de www.monografias.com,
http://www.monografias.com/trabajos29/distribucion-probabilidades/distribucion-probabilidades.shtml)

Distribucin Binomial (informacin tomada de www.wikipedia.com,
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_binomial)

Distribucin Normal (informacin tomada de www.wikipedia.com,
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_normal

Distribucin de Poisson
(http://www.itchihuahua.edu.mx/academic/industrial/sabaticorita/_private/05Distr%20Poisson.htm)