Ttulo:

APROXIMACION DE LA DISTRIBUCIN
BINOMINAL A LA NORMAL APLICADA A LA
ADMINISTRACIN

Dedicatoria

Dedico esta investigacin con amor y gratitud a mis

padres. Por su apoyo constante, para obtener
nuevos

conocimientos

profesional.

en

nuestra

formacin

Agradecimientos

Alcanzar un triunfo profesional constituye un cmulo de

esfuerzos y circunstancias que indiscutiblemente involucra a
muchos seres, por ello, mi agradecimiento a:
DIOS, Ser Supremo, gua espiritual de nuestras vidas.
A cada uno de los miembros de la Universidad Cesar Vallejo,
porque en sus aulas forj lo que al principio era una ilusin y
que ahora es una hermosa realidad.
A todas

aquellas

personas

amigos

que

directa

indirectamente colaboraron en la ejecucin de la presente

trabajo.

Resumen

La distribucin de probabilidad conocida como distribucin normal es, por la cantidad

de fenmenos que explica, la ms importante de las distribuciones estadsticas.
A la distribucin normal tambin se la denomina con el nombre de campana de
Gauss, pues al representar su funcin de probabilidad, sta tiene forma de
campana.
En el math-block sobre la distribucin binomial se introduce el concepto de variable
aleatoria, distinguiendo adems dos tipos de variables, las discretas y las continuas.
En este apartado seguimos con el estudio de distribuciones de probabilidad
analizando la distribucin de probabilidad continua ms importante, la distribucin
normal.
Esta distribucin resulta til no slo porque un gran nmero de distribuciones de
frecuencias presentan formas aproximadamente normales, sino tambin por su gran
significado terico en el campo de la administracin. La importancia de la
distribucin normal se debe principalmente a que hay muchas variables asociadas a
fenmenos naturales que siguen el modelo de la normal.

Lista de Contenidos (Indice)

Lista de Tablas
Lista de Figuras
Lista de Apndices

Captulo I: Planteamiento del problema

1.1. Descripcin del Problema

Las empresas tenemos muchas situaciones donde se espera que ocurra o no

un evento especfico. ste puede ser de xito o fracaso sin dar paso a un
punto medio. Por ejemplo, en la produccin de un artculo, ste puede salir
bueno o malo. Casi bueno no es un resultado de inters. Para situaciones
como stas se utiliza la distribucin binomial. En este mdulo se describe el
uso de la distribucin binomial para obtener la probabilidad de ocurrencia de
ese evento que representa un resultado esperado. El mdulo va dirigido al
estudiantado

de

Administracin

de

Empresas

en

sus

distintas

concentraciones.
Esperamos que cuando terminemos de revisar el tema presentado puedas
utilizar la distribucin binomial para obtener las probabilidades de aquellas
situaciones gerenciales con dos posibles resultados.

Establecer el promedio, la varianza y la desviacin estndar utilizando las

variables de la distribucin binomial. Determinar los valores de xitos p y
fracasos. Identificar las propiedades de una distribucin binomial.Adems,
esperamos que puedas:
La distribucin binomial se utiliza en situaciones cuya solucin tiene dos
posibles resultados. Por ejemplo: Al nacer un/a beb puede ser varn o
hembra. En el deporte un equipo puede ganar o perder. En pruebas de cierto
o falso slo hay dos alternativas.
Tambin se utiliza cuando el resultado se puede reducir a dos opciones. Por
ejemplo: Un tratamiento mdico puede ser efectivo o inefectivo. La meta de
produccin o ventas del mes se pueden o no lograr. En pruebas de seleccin
mltiple, aunque hay cuatro o cinco alternativas, se pueden clasificar como
correcta o incorrecta.

1.2. Formulacin del Problema

- CUALES SON LAS APROXIMACIONES

DE

LA DISTRIBUCIN

BINOMINAL A LA NORMAL APLICADA A LA ADMINISTRACIN ?

1.3. Interrogantes de Investigacin (general y especficos)
General
- Cmo influye las aproximaciones de la distribucin binominal a la
normal aplicada a la Administracin ?
Especficos
- Cuales son las principales funciones de la distribucin binominal a la
normal aplicada a la Administracin?

-Cual es la relacin de las aproximaciones de la distribucin binominal a la

normal aplicada a la Administracin?

1.4. Objetivo general

1.5. Objetivo especficos

1.6. Justificacin del Problema de Investigacin

1.7. Marco Terico

1.- Distribucin Normal

Esta

distribucin

es

frecuentemente

utilizada

en

las

aplicaciones

estadsticas. Su propio nombre indica su extendida utilizacin, justificada por

la frecuencia o normalidad con la que ciertos fenmenos tienden a parecerse
en su comportamiento a esta distribucin.
Muchas variables aleatorias continuas presentan una funcin de densidad
cuya grfica tiene forma de campana.
En otras ocasiones, al considerar distribuciones binomiales, tipo B(n,p), para
un mismo valor de p y valores de n cada vez mayores, se ve que sus
polgonos de frecuencias se aproximan a una curva en "forma de campana".
En resumen, la importancia de la distribucin normal se debe principalmente
a que hay muchas variables asociadas a fenmenos naturales que siguen el
modelo de la normal.

Caracteres morfolgicos de individuos (personas, animales, plantas,) de

una especie, p. ejm. Tallas, pesos, envergaduras, dimetros, permetros

Caracteres fisiolgicos, por ejemplo; efecto de una misma dosis de un

frmaco, o de una misma cantidad de abono.

Caracteres sociolgicos, por ejemplo: consumo de cierto producto por un

mismo grupo de individuos, puntuaciones de examen.

Caracteres psicolgicos, por ejemplo: cociente intelectual, grado de

adaptacin a un medio

Errores cometidos al medir ciertas magnitudes.

Valores estadsticos maestrales, por ejemplo: la media.

Otras distribuciones como la binomial o la de Poisson son aproximaciones

normales.
Y en general cualquier caracterstica que se obtenga como suma de muchos
factores.

1.1. Funcin De Densidad

Empleando clculos bastante laboriosos, puede demostrarse que el modelo
de la funcin de densidad que corresponde a tales distribuciones viene
dando por la frmula

Funcin De Una Distribucin

Puede tomar cualquier valor (- ,+ )

Son ms probables los valores cercanos a uno central que llamados media

Conforme nos separamos de ese valor , la probabilidad va decreciendo

de igual forma a derecha e izquierda (es simtrica).

Conforma nos separamos de ese valor , la probabilidad va decreciendo

de forma ms o menos rpida dependiendo de un parmetro s , que es la
desviacin tpica.

2. LA DISTRIBUCIN BINOMIAL
2.1. FUNCIONES DE PROBABILIDAD:
Llamamos funcin d probabilidad f a la aplicacin de E(X) (Espacio Muestral)
en el intervalo [0,1] QUE VERIFICA:
f(A)= p (A)
Bsicamente se trata de estudiar la probabilidad como una funcin utilizando
para su estudio todas las propiedades de las funciones.
2.2. LA DISTRIBUCION BINOMIAL
Llamamos experiencia aleatoria dicotmica a aquella que solo puede tener
dos posibles resultados A y A'. Usualmente A recibe el nombre de xito,
adems representaremos como p= p(A) y q=1-p=p(A).
A la funcin de probabilidad de una variable aleatoria X resultado de contar
el nmero de xitos al repetir n veces una experiencia aleatoria dicotmica
con probabilidad de xito p la llamamos distribucin binomial y la
representamos por B (n, p)
Para esta distribucin se verifica que, la variable X puede tomar los valores:
0,1,2,, n

y que la variable toma cada uno de estos valores con probabilidad:

p( X = r ) = (nr) pr (1 p) n-r
Parmetros de una distribucin binomial:
Esperanza: n p
Desviacin tpica (n p q )0.5 ( raz cuadrada)
Ajuste

de

una

serie

de datos a

una

distribucin

binomial:

Disponemos de una serie de k datos que toman los valores 0,1, ,n.
Para saber si estos datos siguen pueden aproximarse por una distribucin
binomial:
Calculamos la media de los k datos y la igualamos a la Esperanza terica de
la Binomial (n p).
Despejamos de aqu el valor de p.
Calculamos los valores tericos de p(X = r), multiplicndolos por k para
obtener los valores tericos de cada posible valor de la variable aleatoria en
series de k datos.
Si la diferencia es " suficientemente pequea " aceptamos como buena la
aproximacin Binomial, si no, la rechazamos.
(nota: la fundamentacin estadstica que nos permitira decidir de manera
objetiva si la diferencia entre los datos tericos y los reales es
"suficientemente pequea" escapa de los objetivos de esta unidad didctica,
con lo cual la decisin se deber tomar de manera subjetiva)
2.3. MUESTREO
En estadstica, es el proceso por el cual se seleccionan los individuos que
formarn una muestra.
Para que se puedan obtener conclusiones fiables para la poblacin a partir
de la muestra, es importante tanto su tamao como el modo en que han
sido seleccionados los individuos que la componen.
El tamao de la muestra depende de la precisin que se quiera conseguir
en la estimacin que se realice a partir de ella. Para su determinacin se
requieren tcnicas estadsticas

superiores,

pero

resulta

sorprendente

cmo, con muestras notablemente pequeas, se pueden conseguir

resultados suficientemente precisos. Por ejemplo, con muestras de unos

pocos miles de personas se pueden estimar con muchsima precisin los

resultados de unas votaciones en las que participarn decenas de millones
de votantes.
Para seleccionar los individuos de la muestra es fundamental proceder
aleatoriamente, es decir, decidir al azar qu individuos de entre toda la
poblacin forma parte de la muestra.
Si se procede como si de un sorteo se tratara, eligiendo directamente de la
poblacin sin ningn otro condicionante, el muestreo se llama aleatorio
simple o irrestrictamente aleatorio.
Cuando la poblacin se puede subdividir en clases (estratos) con
caractersticas especiales, se puede mostrar de modo que el nmero de
individuos de cada estrato en la muestra mantenga la proporcin que
exista en la poblacin. Una vez fijado el nmero que corresponde a cada
estrato, los individuos se designan aleatoriamente. Este tipo de muestreo
se denomina aleatorio estratificado con asignacin proporcional.
Las

inferencias

realizadas

mediante

muestras

seleccionadas

aleatoriamente estn sujetas a errores, llamados errores de muestreo, que

estn controlados. Si la muestra est mal elegida - no es significativa - se
producen errores sistemticos no controlados.
2.4. MTODOS DE MUESTREO
Existen dos mtodos de muestreo:
El muestreo probabilstico y no probabilstico
Mtodos de muestreo probabilstico
Los mtodos de muestreo probabilsticas son aqullos que se basan en el
principio de equiprobabilidad. Es decir, aquellos en los que todos los
individuos tienen la misma probabilidad de ser elegidos para formar parte de
una muestra y, consiguientemente, todas las posibles muestras de tamao n
tienen la misma probabilidad de ser elegidas. Slo estos mtodos de
muestreo probabilsticas nos aseguran la representatividad de la muestra
extrada y son, por tanto, los ms recomendables. Dentro de los mtodos de
muestreo probabilsticas encontramos los siguientes tipos:

Muestreo aleatorio simple

El procedimiento es el siguiente: 1) se asigna un nmero a cada individuo de
la poblacin y 2) a travs de algn medio mecnico (bolas dentro de una
bolsa, tablas de nmeros aleatorios, nmeros aleatorios generados con una
calculadora u ordenador, etc.) se eligen tantos sujetos como sea necesario
para completar el tamao de muestra requerido.
Este

procedimiento,

atractivo

por

su

simpleza,

tiene

poca

nula utilidad prctica cuando la poblacin que estamos manejando es muy

grande.

Muestreo aleatorio sistemtico

Este procedimiento exige, como el anterior, numerar todos los elementos de
la poblacin, pero en lugar de extraer n nmeros aleatorios solo se extrae
uno. Se parte de ese nmero aleatorio i, que es un nmero elegido al azar, y
los elementos que integran la muestras son los que ocupan los lugares
i,i+k,i+2k,i+3k,,i+(n-1)k, es decir se toman los individuos de k en k, siendo
k el resultado de dividir el tamao de la poblacin entre el tamao de la
muestra: k=N/n. el nmero i que empleamos como punto de partida ser un
nmero al azar entre 1 y k.
El riesgo de este tipo de muestreo est en los casos en que se dan
periodicidad constante (k) podemos introducir una homogeneidad que no se
da en la poblacin. Imaginemos que estamos seleccionando una muestra
sobre listas de 10 individuos en los que los 5 primeros son varones y los
ltimos 5 son mujeres, si empleamos un muestreo aleatorio sistemtico con
k=10 siempre seleccionaramos o slo hombres o slo mujeres, no podra
haber una representacin de los dos sexos.
Muestreo aleatorio estratificado.
Trata de obviar las dificultades que presentan los anteriores ya que
simplifican los procesos y suelen reducir el error muestral para un tamao
dado de la muestra. Consiste en considerar categoras tpicas diferentes
entre s (estratos) que poseen gran homogeneidad respecto a alguna

caracterstica (se puede estratificar, por ejemplo, segn la profesin, el

municipio de residencia, el sexo, el estado civil, etc.). Lo que se pretende
con este tipo de muestreo es asegurarse de que todos los estratos
de inters estarn representados adecuadamente en la muestra. Cada
estrato funciona independientemente, pudiendo aplicarse dentro de ellos el
muestreo aleatorio simple o el estratificado para elegir los elementos
concretos que formarn parte de la muestra. En ocasiones las dificultades
que plantean son demasiado grandes, pues exige un conocimiento detallado
de la poblacin. (tamao geogrfico, sexos, edades).
La distribucin de la muestra en funcin de los diferentes estratos se
denomina afijacin, y puede ser de diferentes tipos:
Afijacin simple
A cada estrato le corresponde igual nmero de elementos maestrales.
Afijacin proporcional
La distribucin se hace de acuerdo con el peso (tamao) de la poblacin en
cada estrato.
Afijacin Optima
Se tiene en cuenta la previsible dispersin de los resultados, de modo que se
considera la proporcin y la desviacin tpica. Tiene poca aplicacin ya que no
suele conocer la desviacin.
Muestreo aleatorio por conglomerados
Los mtodos presentados hasta ahora estn pensados para seleccionar
directamente los elementos de la poblacin, es decir, que las unidades
maestrales son los elementos de la poblacin. En el muestreo por
conglomerados la unidad muestral es un grupo de elementos de la poblacin
que forman una unidad, a la que llamamos conglomerado. Las unidades
hospitalarias, los departamentos universitarios, una caja de determinado
producto, etc., son conglomerados naturales como, por ejemplo, las urnas
electorales. Cuando los conglomerados son reas geogrficas suele hablarse
de "muestreo por reas".
El muestreo por conglomerados consiste en seleccionar aleatoriamente un
cierto nmero de conglomerados (el necesario para alcanzar el tamao

muestral establecido) y en investigar despus todos los elementos

pertenecientes a los conglomerados elegidos.
Para finalizar con esta exposicin de los mtodos de muestreo probabilstico
es necesario comentar que ante lo compleja que puede llegar a ser la
situacin real de muestreo con la que nos enfrentemos es muy comn
emplear lo que se denomina muestreo polietpico. Este tipo de muestreo se
caracteriza por operar en sucesivas etapas, empleando en cada una de ellas
el mtodo de muestreo probabilstico ms adecuado.

Mtodos de muestreo no probabilsticos

A veces, para estudios exploratorios, el muestreo probabilstico resulta
excesivamente costoso y se acude a mtodos no probabilsticos, an siendo
conscientes de que no sirven para realizar generalizaciones, pues no se tiene
certeza de que la muestra extrada sea representativa, ya que no todos los
sujetos de la poblacin tienen la misma probabilidad de ser elegidos. En
general se seleccionan a los sujetos siguiendo determinados criterios
procurando que la muestra sea representativa.
Muestreo por cuotas.
Tambin denominado en ocasiones "accidental". Se asienta generalmente
sobre la base de un buen conocimiento de los estratos de la poblacin y/o de
los individuos ms "representativos" o "adecuados" para los fines de la
investigacin. Mantiene, por tanto, semejanzas con el muestreo aleatorio
estratificado,

pero

no

tiene

el carcter de

aleatoriedad

de

aqul.

En este tipo de muestreo se fijan unas "cuotas" que consisten en un nmero

de individuos que renen unas determinadas condiciones, por ejemplo: 20
individuos de 25 a 40 aos, de sexo femenino y residentes en Gijn. Una vez
terminada la cuota se eligen los primeros que se encuentren que cumplan
esas caractersticas. Este mtodo se utiliza mucho en las encuestas de
opinin.

Muestreo opintico o intencional

Este tipo de muestreo se caracteriza por un esfuerzo deliberado de obtener
muestras

"representativas"

mediante

la

inclusin

en

la

muestra

de grupos supuestamente tpicos. Es muy frecuente su utilizacin en sondeos

preelectorales de zonas que en anteriores votaciones han marcado
tendencias en voto.
Muestreo casual o incidental
Se trata de un proceso en el que el investigador selecciona directa e
intencionalmente los individuos de la poblacin. El caso ms frecuente de
este procedimiento el utilizar como muestra los individuos a los que se tiene
fcil acceso (los profesores de universidad emplean con mucha frecuencia a
sus propios alumnos). Un caso particular es el de los voluntarios.
Bola de nieve
Se localiza a algunos individuos, los cuales conducen a otros, y estos a otros,
y as hasta conseguir una muestra suficiente. Este tipo se emplea muy
frecuentemente cuando se hacen estudios con poblaciones "marginales",
delincuentes, sectas, determinados tipos de enfermos, etc.
Error Muestral
De estimacin o estndar. Es la diferencia entre un estadstico y su parmetro
correspondiente. Es una medida de al variabilidad de las estimaciones de
muestras repetidas en torno al valor de la poblacin, nos da una nocin clara
de hasta donde y con qu probabilidad una estimacin basada en una
muestra se aleja del valor que se hubiera obtenido por medio de un censo
completo.

Siempre

se

comete

un

error,

pero

la naturaleza de

la investigacin nos indicar hasta qu medida podemos cometerlo (los

resultados se someten a error muestral e intervalos de confianza que varan
muestra a muestra). Vara segn se calcule al principio o al final. Un
estadstico ser ms preciso en cuanto y tanto su error es ms pequeo.
Podramos decir que es la desviacin de la distribucin muestral de un
estadstico y su fiabilidad.

2.5. Aproximacin de la normal a la Binomial.

En este caso se estarn calculando probabilidades de experimentos
Binomiales de una forma muy aproximada con la distribucin Normal, esto
puede llevarse a cabo si n y p = p(xito) no es muy cercana a 0 y 1, o
cuando n es pequeo y p tiene un valor muy cercano a ; esto es,

Donde:
x = variable de tipo discreto; solo toma valores enteros
m = np = media de la distribucin Binomial
s=

= desviacin estndar de la distribucin Binomial

Cuando ocurren las condiciones anteriores, la grfica de la distribucin

Binomial, es muy parecida a la distribucin Normal, por lo que es
adecuado calcular probabilidades con la Normal en lugar de con la
Binomial y de una forma ms rpida.
En

resumen,

se

utiliza

la

aproximacin

Normal

para

evaluar

probabilidades Binomiales siempre que p no est cercano a 0 o 1. La

aproximacin es excelente cuando n es grande y bastante buena para
valores pequeos de n si p est razonablemente cercana a . Una
posible gua para determinar cuando puede utilizarse la aproximacin
Normal es tener en cuenta el clculo de np y nq. S ambos, np y
nq son mayores o iguales a 5, la aproximacin ser buena.
Antes de empezar a resolver problemas con la aproximacin Normal, es
bueno aclarar que se estn evaluando probabilidades asociadas a una
variable discreta x, con una distribucin que evala variables de tipo
continuo como es la Normal,
Por lo que z sufre un pequeo cambio como se muestra a continuacin:

Porqu vamos a sumar o a restar a x?

Este es un factor de correccin debido a que se est evaluando una
variable discreta con una distribucin continua, por lo que hay que
delimitar claramente desde que punto se va a evaluar la variable, dicho de
otra forma, en que lmite de la barra (inferior o superior) nos debemos
posicionar para determinar la probabilidad requerida, cada barra de
probabilidad a evaluar tiene como base la unidad, ese es el porqu
del .

3.- APLICADO A LA ADMINISTRACIN

La recoleccin de los datos puede ser una de las tareas ms arduas, desde la
eleccin de las fuentes de esos datos, pasando por la elaboracin de
instrumentos y levantado de informacin hasta su tabulacin y cifrado, prosigue
con el esfuerzo por organizar y presentar esos datos de una manera
significativa y descripitva, colocndolos de una manera lgica que revele
rapidamente el mensaje que contienen. Posteriormente ya que han sido
correctamente organizados y presentados, el estadista deber analizarlos e

interpretarlos para obtener informacin que facilite la toma de decisiones y

ayude en la solucin de problemas.

Es ah donde radica esa utilidad para el administrador de una empresa, en que

a travs de la aplicacin de procedimientos estadsticos precisos, pueden
predecirse algunos sucesos futuros con cierto grado de exactitud y eso
beneficiar profundamente a la empresa. Anticipando algunas condiciones del
negocio antes de que ocurran. Por ejemplo si la empresa puede estimar como
van a estar sus ventas en algn momento del futuro cercano, puede hacer
planes mas exactos y efectivos acerca del presente; tomando decisiones
relacionadas con los volumenes de inventario, requerimientos de materia
prima, contratacin de empleados y otra serie de aspectos de operacin del
negocio.
Y si bien la generacin de toda esa informacin tiene un costo, el mismo es
estratgico, ya que contribuir notablemente a una mejor gestin.
Peter Drucker "el padre del management" afirma que las mediciones son la
clave. Si usted no puede medirlo, no puedecontrolarlo. Si no puede controlarlo,
no puede gestionarlo. Si no puede gestionarlo, no puede mejorarlo. La falta
sistemtica o ausencia estructural de estadsticas en las organizaciones impide
una administracin cientfica de las mismas.
Y es que la Estadstica nos ayudara a conocer aspectos clave de diferentes
reas de la empresa, como por ejemplo:
Mercadeo, qu clientes les generan los mayores beneficios,qu zonas o
regiones son las que generan mayores ventas en unidades monetarias
y volmenes, cul es el nivel de rotacin o permanencia de clientes,en que
etapa del ciclo de vida se encuentra cada uno de sus productos o servicios, el
nivel de satisfaccin de los clientes, etc.

Operaciones, cules son las reparaciones que ms se han producido en el

ltimo trimestre, qu tipo de reparaciones han generado mayores egresos, la
capacidad de los diferentes procesos en materia de costos, productividad y
calidad.
Finanzas. En el clculo del costeo de todas las operaciones, en que momento
se alcanza el punto de equilibrio, etc.
4.- ESTADSTICA APLICADA A LOS NEGOCIOS

4.1. DISTRIBUCION NORMAL

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
Existen dos razones bsicas por las cuales la distribucin normal ocupa un
lugar tan prominente en la estadstica:
o

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.
Propiedad:
No importa cules sean los valores de y

para una 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:

Aproximadamente el 68% de todos los valores de una poblacin

normalmente distribuida se encuentra dentro de 1 desviacin estndar de la

media.

Aproximadamente el 95.5% de todos los valores de una poblacin

normalmente distribuida se encuentra dentro de 2 desviaciones estndar de

la media.

Aproximadamente el 99.7% de todos los valores de una poblacin

normalmente distribuida se encuentra dentro de 3 desviaciones estndar de

la media.
Relacin entre el rea bajo la curva de distribucin normal de probabilidad y la
distancia a la media medida en desviaciones estndar.
Estas grficas muestran tres formas diferentes de medir el rea bajo la curva
normal. Sin embargo, muy pocas de las aplicaciones 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 se puede utilizar una distribucin de probabilidad
normal estndar para encontrar reas bajo cualquier curva normal. Con esta

tabla se determina 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.
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 de la distribucin de probabilidad normal estndar.
El valor de z est derivado de la frmula:
En la que:

x = valor de la variable aleatoria de inters.

= 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)

Calculo de la distribucin de probabilidad Normal por los mtodos:

a) Utilizacin de las tablas de la distribucin Normal.
b) Utilizacin del Minitab 15.
a) Clculo de la distribucin de probabilidad Normal utilizando las tablas de
distribucin de probabilidad normal estndar
Ejemplo:

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.
a) Cul es la probabilidad de que un candidato elegido al azar requiera ms de
500 horas para completar el programa de entrenamiento?
b) Cul es la probabilidad de que un candidato elegido al azar se tome entre
500 y 650 horas en completar el programa de entrenamiento?
Resolviendo para:
a) Dibujando una grfica de distribucin Normal (campana de Gauss) se puede
observar que la mitad del rea bajo la curva est localizada a ambos lados de la
media de 500 horas. Por tanto, se deduce que la probabilidad de que la
variable aleatoria tome un valor mayor a 500 es el rea sombreada, es decir,
0.5
Resolviendo ahora para:
b) Se tiene que: = 500 y = 100 y sustituyendo valores para la obtencin de Z
Buscar Z = 1.50 en la tabla distribucin de probabilidad normal estndar.
Encontrando una probabilidad de 0.4332.

1.8. Operacionalizacin de la Variable

1.9. Hiptesis (si corresponde)

Captulo II: Planteamiento operacional

2.1 Metodologa de Investigacin (paradigma, enfoque, tipo, diseo)

2.2 Poblacin y Muestra

2.3 Tcnicas e Instrumentos de Recoleccin de Datos
2.4 Estrategias de Recoleccin de Datos
2.4.1 Matriz del Instrumento
2.5 Recursos Humanos, Materiales y Financieros
2.6 Cronograma de Actividades
Captulo III: Resultados de la investigacin
3.1 Sistematizacin y Anlisis de Datos
Conclusiones
CONCLUSIONES
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.

Recomendaciones
Bibliografa

Douglas A. Lind, Estadstica para Administracin y Economa, 3. Edicin, Mc Graw Hill,

Mxico, 2001. (2)
David R. Anderson, Dennis J. Sweeney y Thomas A. Williams, Estadstica para
Administracin y Economa, Internacional Thomson Editores, 7. Edicin, Mxico, 1999.
(4)
Paul Newbold, Estadstica para los Negocios y la Economa, 4. Edicin, Prentice Hall,
Madrid, 1997. (2)
Allen L. Webster, Estadstica Aplicada a los Negocios y la Economa, Editorial Harla,
Mxico, 1996.

William J. Stevenson, Estadstica para Administradores y Economa, Editorial Harla,

Mxico, 1996.
Richard I. Levin y David S.Rubin, Estadstica para Administradores, Prentice Hall
Hispanoamrica, Mxico, 1996.
John E. Hanke y Arthur G. Reitsch, Estadstica para Negocios, Editorial Mc Graw
Hill/Irvin, Bogot, 1999.

Apndices