DISTRIBUCION NORMAL

Entre las distribuciones continuas la más importante es la llamada distribución

normal o también conocida como Distribución Gaussiana

La distribución normal fue reconocida por primera vez por el francés Abraham
de Moivre (1667-1754). Posteriormente, Carl Friedrich Gauss (1777-1855)
elaboró desarrollos más profundos y formuló la ecuación de la curva; de ahí
que también se la conozca, más comúnmente, como la "Campana de
Gauss".

Desde entonces se ha utilizado como modelo en multitud de variables (peso,

altura, calificaciones), en cuya distribución los valores más usuales se agrupan
en torno a uno central y los valores extremos son escasos.

La distribución de una variable normal está completamente determinada por

dos parámetros, su media y su desviación estándar, denotadas generalmente
por y . Con esta notación, la densidad de la normal viene dada por la
ecuación:

µ : Media
σ : Desviacion
es tan dar

La importancia de la distribución normal se debe fundamentalmente a la

frecuencia con la que distintas variables asociadas a fenómenos naturales y
cotidianos siguen, aproximadamente, esta distribución. Caracteres
morfológicos (como la talla o el peso), o psicológicos (como el cociente
intelectual) son ejemplos de variables de las que frecuentemente se asume que
siguen una distribución normal. No obstante, y aunque algunos autores han
señalado que el comportamiento de muchos parámetros en el campo de la
salud puede ser descrito mediante una distribución normal, puede resultar
incluso poco frecuente encontrar variables que se ajusten a este tipo de
comportamiento.

Grafica de una distribución Normal.

Propiedades de la distribución normal:

La distribución normal posee ciertas propiedades importantes que conviene

destacar:

I. Tiene una única moda, que coincide con su media y su mediana.

II. La curva normal es asintótica al eje de abscisas. Por ello, cualquier valor
entre y es teóricamente posible. El área total bajo la curva es, por
tanto, igual a 1.
III. Es simétrica con respecto a su media . Según esto, para este tipo de
variables existe una probabilidad de un 50% de observar un dato mayor
que la media, y un 50% de observar un dato menor.
IV. La distancia entre la línea trazada en la media y el punto de inflexión de la
curva es igual a una desviación típica ( ). Cuanto mayor sea , más
aplanada será la curva de la densidad.
V. El área bajo la curva comprendido entre los valores situados
aproximadamente a dos desviaciones estándar de la media es igual a
 0.95. En concreto, existe un 95% de posibilidades de observar un valor

comprendido en el intervalo .
VI. La forma de la campana de Gauss depende de los parámetros y . La
media indica la posición de la campana, de modo que para diferentes
valores de la gráfica es desplazada a lo largo del eje horizontal. Por
otra parte, la desviación estándar determina el grado de apuntamiento de
la curva. Cuanto mayor sea el valor de , más se dispersarán los datos
en torno a la media y la curva será más plana. Un valor pequeño de este
parámetro indica, por tanto, una gran probabilidad de obtener datos
cercanos al valor medio de la distribución.

Distribución normal estándar:

• Una distribución de una variable aleatoria normal con media= 0 y

varianza = 1, se llama distribución normal estándar y es el miembro más
importante de la familia de distribuciones normales.

• Esta distribución se obtiene creando una variable aleatoria Z

• Cada valor z es el número de desviaciones estándar separado de la

media.

Distribución Normal Estándar.

DISTRIBUCION EXPONENCIAL

A pesar de que la distribución Normal puede utilizarse para resolver muchos

problemas en ingeniería y ciencias, existen aún numerosas situaciones que
requieren diferentes tipos de funciones de densidad, tales como la exponencial
y la gamma.
Resulta que la exponencial es un caso especial de la distribución gamma,
ambas tienen un gran número de aplicaciones. Las distribuciones exponencial
y gamma juegan un papel importante tanto en teoría de colas como en
problemas de confiabilidad. El tiempo entre las llegadas en las instalaciones de
servicio y el tiempo de falla de los componentes y sistemas eléctricos,
frecuentemente involucran la distribución exponencial. La relación entre la
gamma y la exponencial permite que la distribución gamma se utilice en tipos
similares de problemas.

La variable aleatoria x tiene una distribución exponencial, con parámetro β , si

su función de densidad es:

−x
1
f(x)= x β
β ,x>0 ; f(x) = 0
en cualquier otro caso donde β > 0 la media y la variancia de la distribución
exponencial son:

µ = β y σ 2= β 2

Las aplicaciones más importantes de la distribución exponencial son aquellas

situaciones en donde se aplica el proceso de Poisson , es necesario recordar
que un proceso de Poisson permite el uso de la distribución de Poisson.
Recuérdese también que la distribución de Poisson se utiliza para calcular la
probabilidad de números específicos de “eventos” durante un período o espacio
particular. En muchas aplicaciones, el período o la cantidad de espacio es la
variable aleatoria. Por ejemplo un ingeniero industrial puede interesarse en el
tiempo T entre llegadas en una intersección congestionada durante la hora de
salida de trabajo en una gran ciudad. Una llegada representa el evento de
Poisson.
La relación entre la distribución exponencial (con frecuencia llamada
exponencial negativa) y el proceso llamado de Poisson es bastante simple. La
distribución de Poisson se desarrolló como una distribución de un solo
parámetro λ , donde λ puede interpretarse como el número promedio de
eventos por unidad de “tiempo” . Considérese ahora la variable aleatoria
descrita por el tiempo que se requiere para que ocurra el primer evento.
Mediante la distribución de Poisson, se encuentra que la probabilidad de que
no ocurran en el espacio hasta el tiempo t está dada por:
ε − λt ( λt )0
p( 0,λt ) = = ε − λt
0! ; ε = 2.718

Ahora puede utilizarse lo anterior y hacer que X sea el tiempo para el primer
evento de Poisson. La probabilidad de que el período hasta que ocurre el
primer evento de Poisson exceda x es la misma que la probabilidad de que no
ocurra un evento de Poisson en x. Esto último por supuesto está dado por

ε − λx . Como resultado,
P(X ≥ x) = ε − λx

Entonces, la función de distribución acumulada para x es:

P(0≤ X ≤ x) = 1 - ε − λx

Ahora, con objeto de que se reconozca la presencia de la distribución

exponencial, puede derivarse la distribución acumulada anterior para obtener la
función de densidad:

f(x) = λ ε− λx
 1
λ=
La cual es la función de densidad de la distribución exponencial con β.

Nótese que la media de la distribución exponencial es el parámetro β , el

recíproco del parámetro en la distribución de Poisson. Se debe recordar que
con frecuencia se dice que la distribución de Poisson no tiene memoria, lo cuál
implica que las ocurrencias en períodos de tiempo sucesivos son

independientes. Aquí el parámetro importante β es el tiempo promedio entre

eventos. En teoría de la confiabilidad, donde la falla de un equipo concuerda

con el proceso de Poisson, β recibe el nombre de tiempo promedio entre

fallas. Muchas descomposturas de equipo siguen el proceso de Poisson, y
entonces la distribución exponencial es aplicable.
En el siguiente ejemplo se muestra una aplicación simple de la distribución
exponencial en un problema de confiabilidad. La distribución binomial también
juega un papel importante en la solución.

Propiedades de la distribución exponencial:

∀s, t > 0 P ( X > s + t X > s ) = P ( X > t ) equivalente a P ( X < s + t X > s ) = P ( X < t )

Demostración:

P ( X > s + t ) e −α ( s + t )
P( X > s +t X > s) = = −α s = e −α s = P ( X > t )
P( X > s) e
La distribución exponencial no tiene memoria. La ocurrencia en periodos
sucesivos es independiente.

DISTRIBUCIÓN GAMMA
Muchas veces la distribución Gamma se utiliza en tiempos de espera, como
tiempo transcurrido hasta que ocurre un número específico de eventos de
Poisson, este número de eventos es el parámetro r en la densidad gamma, es
decir, rige el tiempo de espera o bloque de r sucesos de Poisson seguidos y
el siguiente conjunto de r sucesos, suponiendo que los acontecimientos
individuales de Poisson van llegando a un ritmo de λ ocurrencias por unidad
de tiempo. Note que la Gamma, en este caso, equivale al caso continuo de la
binomial negativa.

La distribución Gamma se define a partir de la función gamma, cuya ecuación

es:

∞
Γ(r ) = ∫ x r −1e− x dx, r > 0
0

Propiedades de la distribución Gamma:

1. Γ(r + 1) = r Γ(r )

∞ ∞
Γ(r + 1) = ∫ x r +1−1e − x dx = ∫ x r e− x dx
0 0

u=x r
dv = e − x dx
du
= rx r −1 v = −e − x
dx
n ∞
Γ(r + 1) = lim ∫ x e dx = lim ( − x e )
n
r −x r −x
+ r ∫ x r −1e − x dx
n →∞ n →∞ o
0 0
∞ ∞
= lim − n r e − n + r ∫ x r −1e− x dx = r ∫ x r −1e− x dx
n →∞
0 0

Γ(r + 1) = rΓ (r )

2. Γ(n) = (n − 1)!

Como Γ(r + 1) = r Γ(r ) volviendo a integrar por partes se tiene

Γ( r + 1) = r (r − 1) Γ(r −1) = r (r −1)(r − 2) Γ(r − 2) y así sucesivamente. Por lo

que si r = n ∈¢ + , Γ(n) = (n −1)(n − 2)(n − 3)...1 =(n −1)!

3. Γ(1) = 1

∞ ∞ n
Γ(1) = ∫ x e dx = ∫ e dx = lim ∫ e − xdx = lim ( − e − x ) = lim − e − n + 1 = 1
n
1−1 − x −x
n →∞ n →∞ o n →∞
0 0 0
 4. ( 2) =
Γ 1 π

Si T es una variable aleatoria con función de distribución de probabilidad

dada por:

 λ
( λ t ) e − λt
r −1
 t≥0
fT (t ) =  Γ(r )
 0 en otro caso


Donde r > 0 y λ > 0 , se dice que T se distribuye Gamma con parámetros

r de forma y λ de escala. Las siguientes gráficas muestran dos casos de la
función de densidad de probabilidad de la distribución gamma, cuando
r = 2.5 y λ = 3.5 y cuando r = 5.4 y λ = 4

FUNCIÓN DE PROBABILIDAD DE LA V.A. BINOMIAL

Función de probabilidad de la distribución Binomial o también denominada

función de la distribución de Bernoulli (para n=1). Verificándose: 0 £ p £ 1

Parámetros de la Distribución Binomial

Función de Distribución de la v.a. Binomial

Aproximación de la distribución binomial por la normal
Una distribución binomial B(n,p) se puede aproximar por una distribución
normal, siempre que n sea grande y p no esté muy próxima a 0 o a 1. La
aproximación consiste en utilizar una distribución normal con la misma media y
desviación típica que la distribución binomial.

En la practica se utiliza la aproximación cuando :

En cuyo caso :

Y tipificando se obtiene la normal estándar correspondiente:

 1. Problemas de distribución Normal.
1.- Determine el área bajo la curva normal entre Z = 0 y Z = 1,5.

Solución.
La tabla nos da el valor 0,4332 que corresponde al área rayada en la curva y
representa la probabilidad.

1, 5 −t 2
p( 0 < z < 1,5) = ∫ e 2
dt = 0,4332
0

2.- Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos

sigue una distribución exponencial con media de 16 años. ¿Cuál es la
probabilidad de que a una persona a la que se le ha implantado este
marcapasos se le deba reimplantar otro antes de 20 años? Si el marcapasos
lleva funcionando correctamente 5 años en un paciente, ¿cuál es la

probabilidad de que haya que cambiarlo antes de años?

Solución: Sea T la variable aleatoria que mide la duración de un marcapasos

en una persona. Tenemos que

Entonces

En segundo lugar
Luego como era de esperar, por ser propio a un mecanismo exponencial,

2. Problemas de exponencial

1.- Un señor comenzó a pescar a las 9:00 AM. Si el tiempo que tarda en
atrapar un pez se distribuye exponencial con parámetro 3 (en horas):
a) Halle la probabilidad de que atrape su primer pez antes de las 10:00 AM.
b) Halle la probabilidad de que saque su primer pez antes de las 10:00 AM
dado que hasta las 9:40 AM no había pescado nada.

Solución.
Note que 3 es el promedio de peces atrapados por hora pero este no es el
promedio de la exponencial ya que el promedio de la exponencial es “tiempo
promedio” pero si es su parámetro.

9:00 9:20 9:40 10:00

Es más conveniente tomar como unidad de tiempo 20 minutos, en promedio se

atrapa un pez cada 20 minutos y α = 1 , la función de probabilidad es:

e − t t≥0
fT (t ) =  −t
y FT (t ) = 1 − e , entonces:
0 t<0
a) La probabilidad de que coja el primer pez antes de las 10 es

FT (3) = P(T < 3) = 1 − e−3

b) La probabilidad de que atrape el primer pez antes de las 10, dado que había

pasado 2 períodos es P (T < 3 / T > 2) = P (T < 2 + 1/ T > 2) = P (T < 1) = 1 − e −1 por la

propiedad de pérdida de memoria. Observe que la pérdida de la memoria
consiste en que la probabilidad de que atrape el primer pez en el tercer
período es la misma probabilidad de que lo atrape en el primero, o sea antes
de las 9:20. Es decir, que porque no haya atrapado el primer pez antes, esto
no quiere decir que la probabilidad aumente a medida que el tiempo pasa.

2.- Una secretaria recibe en promedio 6 llamadas telefónicas por hora durante
una jornada de trabajo ordinaria. Exprese el número de llamadas por hora
como sucesos de Poisson y exprese el tiempo transcurrido entre dos llamadas
consecutivas como una exponencial. (En horas).

Solución: Sea x el número de llamadas por hora, como X se distribuye

Poisson, la función de densidad de probabilidad es

e −6 6 x
f X ( x) =
x!

Entonces la distribución de T: tiempo de espera entre dos llamadas

consecutivas es:

6e −6t t ≥0
fT (t ) = 
 0 En otro caso

3.- El número de automóviles que corren a alta velocidad durante un lapso de

una hora en cierta autopista es una variable aleatoria Poisson con λ = 8.4 .
¿Cuál es la probabilidad de tener un tiempo de espera menor de 10 minutos
entre automovilistas sucesivos que circulan a alta velocidad?
Solución: Sea X : el número de automóviles que circulan a alta velocidad
durante una hora. T : Tiempo de espera entre dos automovilistas.

Exponencial con parámetro α = 8.4 . fT (t ) = 8.4e −8.4t en horas.

Como la unidad de tiempo está dada en horas,

1
10 minutos = hora.
6

 1
P(T < 10) = P  T < 
 6

( 6)
1
−8.4
= FT 1 =1− e 6
= 1 − e−1.4

4.- Según las estadísticas de la ciudad de Bogotá, en esta ciudad se registran

en promedio cuatro asaltos bancarios cada 20 días. Si el número de asaltos se
considera una distribución de Poisson, Calcule la probabilidad de que
transcurran entre cuatro y siete días entre dos asaltos bancarios consecutivos
registrados en la ciudad de Bogotá.

Solución: Considerar los asaltos bancarios como sucesos independientes de

Poisson. Cuatro asaltos cada 20 días equivalen en promedio a un asalto cada
cinco días.

El parámetro exponencial α es el número de asaltos que ocurren por unidad

1
de tiempo. Si se toma la unidad de tiempo en días, entonces α=
5
representa el equivalente proporcional al número de asaltos por unidad de
tiempo elegida por lo tanto, la distribución exponencial del tiempo medido en
días entre dos asaltos consecutivos esta dada por:

1 −1t
fT (t ) = e 5
5
7
1 − 15 t −
4
−
7
P ( 4 ≤ T ≤ 7 ) = ∫ e dt = e − e 5 = e −0.8 − e −1.4 = 0.2027
5
54
 3. Problemas de Gamma.

1.- Suponga que hace fila en un banco para pagar el agua. El tiempo que tarda

2
la cajera en atender un cliente tiene una distribución exponencial con α = (en
3
minutos). Si hay 11 personas delante de usted en la fila y son las 8:30 am,
calcule la probabilidad de que pueda pagar su recibo antes de las 9:00 AM .

Solución.
Sea T: tiempo transcurrido hasta completar el primer bloque de r personas.

2
Gamma con r =12 y λ =
3

la pregunta es entonces P (T < 21)

2 k
− (21) 2 
e 3
 * 21
11
3  =1−
11
e −1414k
P(T < 21) = 1 − ∑ ∑ = 1 − 1393190431/4455*exp(-14)
k =0 k! k =0 k!

2.- Suponga que las llamadas que entran a un conmutador siguen un proceso
de Poisson con un promedio de 5 llamadas por minuto. Cuál es la probabilidad
de que pase más de un minuto hasta que lleguen 2 llamadas al conmutador?

Solución.
Sea T: tiempo transcurrido hasta que lleguen dos llamadas. (Tiempo, en
minutos, transcurrido hasta completar el primer bloque de 2 llamadas)
T : Gamma con λ =5 y r=2 , entonces lo que se pregunta es P ( T > 1) .

 1
 1

 ∑e 5 ∑e
−5 k −5
 5k
P ( T > 1) = 1 − P(T < 1) = 1 −  1 − k =0 = k =0
= e−5 + 5
 k!  k!
 
 
Observe que P ( T > 1) = 1 − P (T ≤ 1) = 1 − P (T < 1) pues la distribución Gamma es
una distribución continua.

3.- Un señor comenzó a pescar a las 9:00 AM. Si el tiempo que tarda en
atrapar un pez se distribuye exponencial con parámetro 3 (en horas), hallar:
a) La probabilidad de que atrape el cuarto pez antes de las 10:00 a.m
b) Consiga su quinto pescado entre las 9:40 y las 10:20.

Solución.
Sea T: tiempo transcurrido hasta atrapar el cuarto pez.

a) Gamma con r = 4 y λ = 1 , entonces:

La pregunta es P (T < 3) de donde
P (T < 3) = 1 − 13*exp(-3)=1-0.6472318888=0.3527681112 .

b) Gamma con r = 5 y λ = 1 , lo que se pregunta es P ( 2 < T < 4 ) , entonces:

4
e −4 4k  4
e−2 2k 
P ( 2 < T < 4 ) = F (4) − F (2) = P ( T < 4 ) − P ( T < 2 ) = 1 − ∑ − 1 − ∑  = 0.3185100472
k =0 k !  k =0 k ! 

4. Problemas de distribución Normal.

1.- Una máquina fabrica una determinada pieza y se sabe que produce un 7
por 1000 de piezas defectuosas. Hallar la probabilidad de que al examinar 50
piezas sólo haya una defectuosa.

Solución :

Se trata de una distribución binomial de parámetros B(50, 0'007) y debemos

calcular la probabilidad p(X=1).
2.- La probabilidad de éxito de una determinada vacuna es 0,72. Calcula la
probabilidad de a que una vez administrada a 15 pacientes:
a) Ninguno sufra la enfermedad
b) Todos sufran la enfermedad
c) Dos de ellos contraigan la enfermedad

Solución :

Se trata de una distribución binomial de parámetros B(15, 0'72)

3.- La probabilidad de que el carburador de un coche salga de fábrica

defectuoso es del 4 por 100. Hallar :
a) El número de carburadores defectuosos esperados en un lote de 1000
b) La varianza y la desviación típica.

Solución :
Tabla 1. Áreas bajo la curva normal estándar. Los valores de la tabla que no se muestran en
negrita representan la probabilidad de observar un valor menor o igual a z. La cifra entera y el
primer decimal de z se buscan en la primera columna, y el segundo decimal en la cabecera de
la tabla.

Segunda cifra decimal del valor de z

z 0.00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0.0 .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
0.1 .5398 .5438 .5478 .5517 .5557 .5596 .5636 .5675 .5714 .5753
0.2 .5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141
0.3 .6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517
0.4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879
0.5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224
0.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549
0.7 .7580 .7611 .7642 .7673 .7704 .7734 .7764 .7794 .7823 .7852
0.8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8078 .8106 .8133
0.9 .8159 .8186 .8212 .8238 .8264 .8289 .8315 .8340 .8365 .8389
1.0 .8413 .8438 .8461 .8485 .8508 .8531 .8554 .8577 .8599 .8621
1.1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
1.2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015
1.3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
1.4 .9192 .9207 .9222 .9236 .9251 .9265 .9279 .9292 .9306 .9319
1.5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9429 .9441
1.6 .9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
1.7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633
1.8 .9641 .9649 .9656 .9664 .9671 .9678 .9686 .9693 .9699 .9706
1.9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9761 .9767
2.0 .9772 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817
2.1 .9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857
2.2 .9861 .9864 .9868 .9871 .9875 .4878 .9881 .9884 .9887 .9890
2.3 .9893 .9896 .9898 .9901 .9904 .9906 .9909 .9911 .9913 .9916
2.4 .9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936
2.5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
2.6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
2.7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
2.8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
2.9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986
3.0 .9987 .9987 .9987 .9988 .9988 .9989 .9989 .9989 .9990 .9990
3.1 .9990 .9991 .9991 .9991 .9992 .9992 .9992 .9992 .9993 .9993
3.2 .9993 .9993 .9994 .9994 .9994 .9994 .9994 .9995 .9995 .9995
3.3 .9995 .9995 .9995 .9996 .9996 .9996 .9996 .9996 .9996 .9997
3.4 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9998
 INTRODUCCIÓN.

Una distribución de probabilidad indica toda la gama de valores que

pueden representarse como resultado de un experimento. Una distribución de
probabilidad es similar al distribución de frecuencias relativas .Si embargo, en
vez de describir el pasado, describe la probabilidad que un evento se realice en
el futuro, constituye una herramienta fundamental para la prospectiva, puesto
que se puede diseñar un escenario de acontecimientos futuros considerando
las tendencias actuales de diversos fenómenos naturales.

Es decir, constituye una herramienta fundamental para la prospectiva,

puesto que se puede diseñar un escenario de acontecimientos futuros
considerando las tendencias actuales de diversos fenómenos naturales, toda
distribución de probabilidad es generada por una variable (porque puede tomar
diferentes valores).

La distribución Binomial es un caso particular de probabilidad de

variable aleatoria discreta, y por sus aplicaciones, es posiblemente la más
importante.

Esta distribución corresponde a la realización de un experimento aleatorio que

cumple con las siguientes condiciones:

* Al realizar el experimento sólo son posible dos resultados: el suceso A,

llamado éxito, 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 varía 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 idénticas.

Todo experimento que tenga estas características se dice que sigue el modelo
de la distribución Binomial o distribución de Bernoulli.

La distribución de POISSON es también un caso particular de

probabilidad de variable aleatoria discreta, el cual debe su nombre a Siméon
Denis Poisson (1781-1840), un francés que la desarrolló a partir de los estudios
que realizó durante la última etapa de su vida.

Esta distribución se utiliza para describir ciertos procesos.

Características:

En este tipo de experimentos los éxitos buscados son expresados por unidad
de área, tiempo, pieza, etc:

- # de defectos de una tela por m2

- # de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc.

- # de bacterias por c m2 de cultivo

- # de llamadas telefónicas a un conmutador por hora, minuto, etc, etc.

- # de llegadas de embarcaciones a un puerto por día, mes, etc, etc.

CONCLUSIÓN
 Con el desarrollo de este trabajo y gracias a la comprensión de
conceptos, se nota que la materia de probabilidad y estadística es una
poderosa herramienta que bien aplicada nos podrá ayudar a facilitar los
cálculos para la solución de problemas. Lo cual continúa con el propósito
esencial: Ahorro de costos y mejora continúa en cualquier ámbito en que nos
desarrollemos. Aprendi que no es limitativa el área en que nos desempeñemos
en nuestro trabajo ya que tanto en Ingeniería 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 estadística, estas
herramientas serán siempre de gran utilidad.

De este modo, obtuve resultados o soluciones obtenidas y comprendí las

características mas importantes de las distribuciones y con estos
conocimientos podre resolver problemas a partir de datos tomados de
situaciones reales en el área de ingeniería en estudio sintetizándolos mediante
descripciones numéricas y representándolos de una forma ya sea mediante un
grafico o alguna otra representación.

Una distribución de probabilidad indica toda la gama de valores que

pueden representarse como resultado de un experimento si éste se llevase a
cabo.
 BIBLIOGRAFÍA.

1.- Probabilidad y estadística para ingenieros, Irwin Miller,Freund, Jhonson.

CUARTA EDICION.
2.- Probabilidad y estadística para ingeniería y ciencias, William Mendenhall.
CUARTA EDICION.
3.- Introducción a la probabilidad y estadística, Seymor Lipschutz, John Schiller.
SERIES SCHAUM
4.- Probabilidad y estadística, Aplicaciones y métodos, George C. Canavos.
MC GRAW HILL
5.- Enciclopedia Libre, WIKIPEDIA, Distribución de probabilidad.