UNIDAD II

Métodos Estadísticos más

Empleados
Tecsup Virtu@l Indice

Indice

Unidad II : “Métodos estadísticos más empleados”

1. DISTRIBUCIONES DE PROBABILIDAD ........................................................................ 1

1.1. EXPERIMENTO DE BERNOULLI.......................................................................... 3
1.2. COMBINATORIA ............................................................................................... 3
2. DISTRIBUCIONES DISCRETAS IMPORTANTES ............................................................ 5
2.1. DISTRIBUCIÓN BINOMIAL ................................................................................ 5
2.1.1. Fundamento. ......................................................................................... 5
2.1.2. El modelo.............................................................................................. 5
2.1.3. Ejemplo. ............................................................................................... 6
2.1.4. Aplicación.............................................................................................. 6
2.1.5. Representación gráfica........................................................................... 6
2.2. DISTRIBUCIÓN HIPERGEOMÉTRICA .................................................................. 7
2.2.1. Fundamento. ......................................................................................... 7
2.2.2. El modelo.............................................................................................. 7
2.2.3. Ejemplo. ............................................................................................... 8
2.2.4. Aplicación.............................................................................................. 8
2.2.5. Representación gráfica........................................................................... 8
2.3. DISTRIBUCIÓN DE POISSON............................................................................. 9
2.3.1. Fundamento. ......................................................................................... 9
2.3.2. El modelo.............................................................................................. 9
2.3.3. Ejemplo. ..............................................................................................10
2.3.4. Aplicación.............................................................................................10
2.3.5. Representación gráfica..........................................................................10
2.4. NOTA ACLARATORIA .......................................................................................11
3. DISTRIBUCIONES CONTINUAS IMPORTANTES ..........................................................12
3.1. DISTRIBUCIÓN NORMAL..................................................................................12
3.1.1. Fundamento. ........................................................................................12
3.1.2. El modelo.............................................................................................12
3.1.3. La distribución normal estándar. ............................................................12
3.1.4. Ejemplo. ..............................................................................................13
3.1.5. Ejemplos complementarios. ...................................................................15
3.1.6. Aplicación.............................................................................................17
3.2. DISTRIBUCIÓN EXPONENCIAL .........................................................................18
3.2.1. Fundamento. ........................................................................................18
3.2.2. El modelo.............................................................................................18
3.2.3. Ejemplo. ..............................................................................................18
3.2.4. Aplicación.............................................................................................21
4. EJERCICIOS PROPUESTOS........................................................................................21
4.1. EJERCICIO 1 ...................................................................................................21
4.2. EJERCICIO 2 ...................................................................................................21
4.3. EJERCICIO 3 ...................................................................................................21
4.4. EJERCICIO 4 ...................................................................................................21
4.5. EJERCICIO 5 ...................................................................................................22
5. PREGUNTAS DE AUTOCOMPROBACIÓN.....................................................................22
6. RESPUESTAS AL CUESTIONARIO ..............................................................................22
7. REFERENCIAS..........................................................................................................23
Tecsup Virtu@l Control Estadístico de Procesos

UNIDAD II
“MÉTODOS ESTADÍSTICOS MÁS EMPLEADOS”

INTRODUCCIÓN

La gente aficionada al bingo o a comprar loterías, tal vez sin saberlo, aplica algunas nociones de
probabilidades al escoger sus números: “.... ¡no!, no marques el 17, porque ya salió la semana
pasada”; “... pon el 33, hace tiempo que no sale”

Lo que sucede es que, si no hay “causas asignables” (recordar la unidad anterior y darle la
acepción que peor les parezca), los números de la lotería o los números del bingo deberían
tener la misma probabilidad de salir. Y por eso, un número que “hace tiempo que no sale” tiene
más probabilidades de salir que uno que “salió la semana pasada”.

Pero, es un caso particular de la vida cotidiana. En los procesos industriales, también, cada
situación tiene su manera de comportarse, de acuerdo a modelos matemáticos elaborados por
la estadística.

OBJETIVOS

• Dominar los conceptos de función de probabilidad, función de densidad y función de

distribución.

• Aplicar de manera adecuada las principales distribuciones discretas de probabilidad.

• Aplicar de manera adecuada las principales distribuciones continuas de probabilidad.

1. DISTRIBUCIONES DE PROBABILIDAD

Cuando en la unidad anterior enunciamos los Principios Básicos de la Estadística, el tercer

principio decía que las variaciones seguían un patrón. Esto se pudo verificar en las
distribuciones de frecuencias que fueron generadas para algunos procesos de fabricación
(bridas) o de elaboración (bebidas gaseosas), en donde la tendencia era la de “copiar” la
forma de la distribución normal. La distribución normal es una distribución de probabilidad
que se aplica para una situación determinada.

Existen otras distribuciones de probabilidad que se aplican de acuerdo a las premisas de la

situación estudiada. Pero, ¿qué es una distribución de probabilidad?

Una distribución de probabilidad no es otra cosa que un modelo matemático que relaciona
una determinada variable con la probabilidad de que esta variable tome un valor específico
o se encuentre entre ciertos valores dentro de la población.

Veamos algunos ejemplos generales, sin entrar en detalles de cuál es la distribución de

probabilidad pertinente.

Pag. 1 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
Ejemplo 1.

Uno de los juegos más concurridos en los casinos es el crap, que consiste en
lanzar un par de dados, pudiendo ganar cuando en el primer lanzamiento se
obtiene un 7 (1+6; 2+5; 3+4). El resultado del lanzamiento de los dos dados
puede considerarse como una variable, la cual tomará diferentes valores
dentro de la población debido a causas aleatorias y será mediante la
correspondiente distribución de probabilidad que se pueda determinar la
probabilidad que al primer lanzamiento se obtenga un 7. Al casino, desde luego, le
convendrá que esta probabilidad no sea alta para no estar continuamente pagando premios
que lo llevarían a la bancarrota.

Ejemplo 2.

Para que una botella de gaseosa de 1 litro sea lanzada a la venta “sin
ningún problema” de contenido, éste debe estar entre 990 ml y 1010 ml. El
contenido de gaseosa en las botellas puede considerarse como una
variable, la cual tomará diferentes valores dentro de la población debido a
causas aleatorias y será mediante la correspondiente distribución de
probabilidad que se pueda determinar la probabilidad que un lote salga con
un contenido entre 990 ml y 1010 ml. Ya para efectos prácticos, es lógico
suponer que la probabilidad esperada ha de ser muy alta a fin de que no
haya muchas botellas con menos de 990 ml (habría reclamos por parte de
los consumidores) ni más de 1010 ml (habría reclamos “de arriba” por ir
contra la economía de la empresa).

Ejemplo 3.

Un laboratorio ha logrado aislar un virus y debe conservarlo entre 1

°C y 4 °C. La temperatura a la que se conserva el virus dentro del
laboratorio puede considerarse como una variable, la cual tomará
diferentes valores dentro de la población debido a causas aleatorias
y será mediante la correspondiente distribución de probabilidad que
se pueda determinar la probabilidad que el ambiente se mantenga
en el rango especificado. Si el virus actúa entre 16 °C y 38 °C, no
convendría tener una alta probabilidad que el sistema de aire
acondicionado se averíe, ya que sería un trabajo de alto riesgo;
pero, la pregunta es: ¿sería ésta una causa aleatoria o una causa
asignable?

Los ejemplos anteriores nos permiten diferenciar los dos tipos de

distribución de probabilidad:

• En el ejemplo de los dados, los resultados posibles son 2; 3; 4; 5; 6; 7; 8; 9; 10; 11; 12,
es decir, valores discretos.
• En los otros dos ejemplos, los resultados pueden comprender cualquier valor entre los
límites especificados, o sea, valores continuos.

Con base a esto las distribuciones de probabilidad se pueden clasificar como muestra el
cuadro siguiente:

Pag. 2 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos

CLASIFICACION DISTRIBUCIONES DISTRIBUCIONES

DISCRETAS CONTINUAS
DEFINICIÓN Cuando la variable a estudiar Cuando la variable a estudiar se
sólo toma ciertos valores expresa en una escala continua
EJEMPLO Lanzamiento de dos dados Temperatura en un laboratorio

ASPECTO DE LA
DISTRIBUCIÓN
DE
PROBABILIDAD

-4 0 4
0
1

Antes de entrar en detalle con las distintas distribuciones de probabilidad que destacan en
cada clasificación, merece la pena explicar una prueba que se puede ver de lo más sencilla y
de lo más elemental, pero que es de gran trascendencia para el estudio de probabilidades:
la prueba de Bernoulli o experimento de Bernoullii. Así mismo, explicaremos el término de
combinatoria, ya que es un concepto y un cálculo que se aplica en la gran mayoría de
distribuciones discretas de probabilidad.

1.1. EXPERIMENTO DE BERNOULLI

Es una prueba donde el resultado de la misma es un éxito o un fracaso. Por ejemplo,

en el lanzamiento de una moneda puede considerarse un éxito el obtener “sello” y –
desde luego– el obtener “cara” será un fracaso. Otro caso puede ser el obtener una
muestra de un producto, considerándose un éxito el obtener el producto sin defectos.

En el ejemplo de la moneda, resulta obvio que la probabilidad de éxito (si aposté a

que salía sello) es de 50% y, por tanto, 50% es la probabilidad de fracaso. Sin
embargo, en el caso de la muestra de un producto ya no son necesariamente de 50%
y 50% las probabilidades de éxito y de fracaso; baste considerar que el producto
pueda tener 4 defectos distintos y que la probabilidad de que cada uno de ellos
aparezca en el producto sea igual e igual a la probabilidad que el producto salga sin
defectos, entonces la probabilidad de éxito –producto con “cero defectos”– sería de
20% (0,2).

Finalmente, lo que debemos notar y que debemos siempre recordar es que la suma
de probabilidades de un evento siempre es 1 (100%).

1.2. COMBINATORIA

Supongamos que un mago me presenta tapados los 4 ases de la baraja (espadas,

corazones, tréboles y diamantes) y me pide que –sin mirar– saque 2 cartas, la
pregunta es ¿de cuántas maneras puedo sacar ese par de ases? Veamos.

Pag. 3 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos

Espada ♠ + ♥ Corazón
Espada ♠ + ♣ Trébol
combinaciones de 4 cartas Espada ♠ + ♦ Diamante
tomadas de 2 en 2 Corazón ♥ + ♣ Trébol
Corazón ♥ + ♦ Diamante
Trébol ♣ + ♦ Diamante
Lo primero que observamos es que son 6 las posibilidades para este caso. En segundo
lugar, se debe notar que no importa si, por ejemplo, salió primero el “as de espadas”
o el “as de corazones”, lo que interesa es que contamos con estos dos ases sin
importar el orden de extracción (mejor aún, debería considerarse que ambos se
extraen al mismo tiempo).

El resultado y la premisa del párrafo anterior, determinan la combinatoria de 4

elementos tomados de 2 en 2, la cual se expresa  4 
como  
 2

El desarrollo matemático de esta combinatoria es:

 4 4! 4 x3 x 2 x1
  = = =6
 2  2!(4 − 2)! (2 x1)(2 x1)

Desde luego, este ejemplo de los 4 ases tomados de 2 en 2 puede fácilmente

resolverse con el árbol de posibilidades mostrado en el cuadro de arriba. Sin embargo,
ya no sería recomendable si nos pidieran calcular la combinatoria de 52 elementos
tomados de 4 en 4 (el resultado es 270725).

Sin duda, cuando trabajemos con números altos será aquí muy útil la expresión
general para la combinatoria, la cual se  n  representa como: y se lee
“combinatoria de n elementos tomados de x en   x”.
 x
El desarrollo matemático de la combinatoria es:

n n!
  =
 x  x!(n − x)!

Para suerte nuestra, ya ni siquiera es necesario “esforzarnos” en calcular el valor de

cada uno de los factoriales de la combinatoria. Y es que las hojas electrónicas de
cálculo nos permiten trabajar con la función que evalúa directamente la combinatoria.
En el cuadro siguiente vemos una hoja de Excel donde la expresión de la función
puede observarse en la barra de fórmulas [=COMBINAT(A2,B2)] y el ingreso de
valores se observa en el respectivo cuadro de diálogo. En este caso, la celda A2
contiene el Número (cantidad total de elementos) y la celda B2 contiene el Tamaño
(cantidad de elementos en cada combinación); la celda C2 entregará el resultado de
la combinatoria de 52 tomados de 4 en 4, pudiendo observarse al pie del cuadro de
diálogo “Resultado de la fórmula = 270725”.

Pag. 4 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos

Debemos recordar que lo importante y central de este curso es el aplicar

Técnicas Estadísticas para el Control de los Procesos, por lo que perdería
sentido el estar demostrando los modelos matemáticos de cada distribución
de probabilidad. Ciñéndonos a los objetivos del curso, procederemos
simplemente a exponer las distribuciones de probabilidad más importantes
para el quehacer industrial, a presentar los correspondientes modelos
matemáticos y mencionar las situaciones aplicables a estas distribuciones.

2. DISTRIBUCIONES DISCRETAS IMPORTANTES

Las distribuciones de probabilidad de carácter discreto de mayor aplicación en el Control

Estadístico de los Procesos son:
• la distribución binomial
• la distribución hipergeométrica
• la distribución de Poissonii

2.1. DISTRIBUCIÓN BINOMIAL

2.1.1. FUNDAMENTO.
Un proceso consiste en una serie de n pruebas independientes, donde cada
una de las pruebas es un experimento de Bernoulli. Si la probabilidad de
éxito es igual en cada una de las pruebas, la cantidad de éxitos en las n
pruebas del proceso sigue una distribución binomial.

2.1.2. EL MODELO.
Sea p(x) la probabilidad que en x pruebas se obtenga el éxito. Si dicha
probabilidad sigue una distribución binomial, entonces:

n
p ( x) =  ( p ) x (1 − p) n − x
 x

donde: n = número de pruebas del proceso

p = probabilidad de éxito en una cualquiera de las pruebas
(igual para todas)

Pag. 5 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
x = la cantidad de pruebas en las que se espera el éxito (0, 1, ...,
n)

Es de tomarse en cuenta que n es un número entero positivo y p es un

número real entre 0 y 1. A n y a p se les identifica como los parámetros de
la distribución binomial.

Los números que resumen esta distribución binomial son:

media µ np
varianza σ2 np(1-p)

2.1.3. EJEMPLO.
Se van tomando, de una en una, muestras de la línea de producción de
focos de 100 W, hasta completar un total de 10 focos. La probabilidad de
que un foco salga sin defectos es de 0,6 (60%). Si se quiere saber cuál es la
probabilidad que 7 de los 10 focos se encuentren sin defectos, habrá que
aplicar una distribución binomial.

10  10 
p (7) =  (0,6) 7 (1 − 0,6) 10 −7 =  (0,6) 7 (0,4) 3 = 0,215
7  7 

Ahora bien, el cálculo se puede realizar mediante la fórmula expuesta –que

es como mayormente se resuelve con una calculadora científica “de
bolsillo”– o se puede emplear la función que provee una hoja electrónica de
cálculo. Para el Excel la fórmula correspondiente es DISTR.BINOM

2.1.4. APLICACIÓN.
La distribución binomial se aplica, principalmente, para estimar la cantidad
de piezas disconformes (o conformes) que podrían encontrarse en una
muestra tomada de una población “infinitamente grande”, donde p
representaría la porción de artículos defectuosos (o no defectuosos) dentro
de esa población.

2.1.5. REPRESENTACIÓN GRÁFICA.

Supongamos que un determinado artículo tiene una probabilidad de 20% de
encontrarse fuera de especificación y se toma una muestra de 20 artículos,
entonces la probabilidad que x artículos de la muestra resulten defectuosos
viene dado por una distribución binomial con n=20 y p= 0,2. El resultado se
muestra en la siguiente tabla con su correspondiente gráfico:

Pag. 6 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos

x p(x)
0 0.0115
1 0.0576 0.2500
2 0.1369
3 0.2054
4 0.2182 0.2000
5 0.1746
6 0.1091
7 0.0545 0.1500
8 0.0222
9 0.0074
10 0.0020
0.1000
11 0.0005
12 0.0001
13 0.0000
0.0500
14 0.0000
15 0.0000
16 0.0000
17 0.0000 0.0000
18 0.0000 0 2 4 6 8 10 12 14 16 18 20
19 0.0000
20 0.0000

La forma de la gráfica mostrada es la tendencia característica de TODAS las

distribuciones binomiales, independiente de los valores que tomen los parámetros de
la distribución. Puede observarse claramente cómo los valores de p(x) van en
aumento hasta cierto punto y luego comienzan a disminuiriii.

2.2. DISTRIBUCIÓN HIPERGEOMÉTRICA

2.2.1. FUNDAMENTO.
Un proceso consiste en tomar una muestra aleatoria de n artículos sin
reposición. Si es conocido el tamaño de la población de donde se toma la
muestra y es conocido el número de artículos que en la población caen
dentro de una clase particular de interés, la cantidad de artículos dentro de
la muestra que caen dentro de la mencionada clase de interés sigue una
distribución hipergeométrica.

2.2.2. EL MODELO.
Sea p(x) la probabilidad que x artículos sean de una clase en particular. Si
dicha probabilidad sigue una distribución hipergeométrica, entonces:

 K  N − K 
  
 x  n − x 
p ( x) =
N
 
n 

donde: N = tamaño de la población

Pag. 7 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
K = cantidad de artículos que en la población son de una clase en
particular
n = número de artículos en la muestra
x = la cantidad de artículos muestreados que se espera sean de la
clase

Es de tomarse en cuenta que todas las cantidades involucradas son números

enteros, que K –obviamente– a lo más puede llegar a ser igual a N y que x a
lo más puede llegar a ser igual a n o igual a K (el mínimo entre estos dos
últimos valores).

Los números que resumen esta distribución hipergeométrica son:

nK
media µ
N
nK  K  N − n 
varianza σ2 1 −  
N  N  N − 1 

2.2.3. EJEMPLO.
De un lote de 1000 unidades en un proceso de producción de focos de 100
W, se estima que un total de 52 focos han de estar fuera de especificación.
De este lote se toma una muestra aleatoria de 25 focos, sin reposición. Si se
quiere saber cuál es la probabilidad que 2 de los 25 focos se encuentren sin
defectos, habrá que aplicar una distribución hipergeométrica.

 52 1000 − 52 
  
 2  25 − 2 
p ( 2) = = 0,0071
1000 
 
 25 

Ahora bien, el cálculo se puede realizar mediante la fórmula expuesta –que

es como mayormente se resuelve con una calculadora científica “de
bolsillo”– o se puede emplear la función que provee una hoja electrónica de
cálculo. Para el Excel la fórmula correspondiente es DISTR.HIPERGEOM

2.2.4. APLICACIÓN.
La distribución hipergeométrica se aplica, principalmente, para estimar la
cantidad de piezas disconformes que podrían encontrarse en una muestra
tomada al azar y sin reposición, a partir de una población donde se conocen
el tamaño y la fracción de piezas defectuosas dentro de la población.

2.2.5. REPRESENTACIÓN GRÁFICA.

Supongamos que un lote de 10000 artículos tiene una proporción de 30% de
artículos fuera de especificación y se toma una muestra de 30 artículos,
entonces la probabilidad que x artículos de la muestra resulten defectuosos
viene dado por una distribución hipergeométrica con N=10000, K=3000 y
n=30. El resultado se muestra en la siguiente tabla con su correspondiente
gráfico:

Pag. 8 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos

x p(x)
0 0.0000
1 0.0003 0.1800
2 0.0018
3 0.0071 0.1600
4 0.0207
5 0.0463
0.1400
6 0.0829 0.1200
7 0.1219
8 0.1503 0.1000
9 0.1575 0.0800
10 0.1418
11 0.1104 0.0600
12 0.0748
0.0400
13 0.0443
14 0.0230 0.0200
15 0.0105
16 0.0042 0.0000
0
3
6
9
12
15
18
21
24
27
30
17 0.0015
18 0.0005
19 0.0001
20 0.0000
. .
. .
. .
30 0.0000

La forma de la gráfica mostrada es la tendencia característica de TODAS las

distribuciones hipergeométricas, independiente de los valores que tomen los
parámetros de la distribución. Puede observarse claramente cómo los
valores de p(x) van en aumento hasta cierto punto y luego comienzan a
disminuiriv, observándose también que el valor “pico” de p(x) está “tirado
hacia la izquierda” (se dice que la curva está “sesgada”)

2.3. DISTRIBUCIÓN DE POISSON

2.3.1. FUNDAMENTO.
Un proceso consiste en “detectar” estadísticamente la cantidad de defectos
que se presentan en una pieza de un determinado producto. La cantidad de
defectos dentro de esa unidad de producto sigue la distribución de Poisson.

2.3.2. EL MODELO.
Sea p(x) la probabilidad que una unidad de un producto tenga x defectos.
Dicha probabilidad sigue la distribución de Poisson y entonces:

e −λ λ x
p ( x) =
x!

Donde: e = 2.71828183 (la base del logaritmo natural)

λ = número medio de defectos en una unidad de producto

Pag. 9 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
x = la cantidad de defectos que se espera en esa unidad de
producto

Es de tomarse en cuenta que λ es siempre un valor positivo. A λ se le

identifica como el parámetro de la distribución de Poisson

Los números que resumen esta distribución hipergeométrica son:

media µ λ
varianza σ2 λ

2.3.3. EJEMPLO.
De un lote de 5000 unidades en un proceso de producción de lapiceros, se
estima que cada lapicero presenta un promedio de 0,8 defectos. De este lote
se toma un lapicero. Si se quiere saber cuál es la probabilidad que ese
lapicero se encuentre sin defectos, habrá que aplicar la distribución de
Poisson.

e − λ λ x e −0,8 0,8 0
p ( x) = = = 0.4493
x! 0!

Ahora bien, el cálculo se puede realizar mediante la fórmula expuesta –que

es como mayormente se resuelve con una calculadora científica “de
bolsillo”– o se puede emplear la función que provee una hoja electrónica de
cálculo. Para el Excel la fórmula correspondiente es POISSON

2.3.4. APLICACIÓN.

Para nuestros propósitos de estudio, la distribución de Poisson se aplica para

estimar la cantidad de disconformes que podría encontrarse en una pieza. En
general, se aplica en cualquier fenómeno aleatorio que ocurre “por unidad
de algo” (de tiempo, de área, de volumen, etc.). En especial, la distribución
de Poisson tiene una gran utilidad en la teoría de colas, representando, por
ejemplo, el número de personas que llegan a una cola en un período de
tiempo, o el número de llamadas telefónicas –caso clásico– que procesa una
central por unidad de tiempo.

2.3.5. REPRESENTACIÓN GRÁFICA.

Supongamos que una empresa dedicada a la fabricación y venta de juegos
de tazas de té estima que en cada uno de los juegos se presenta un
promedio de 2 defectos, entonces la probabilidad que en un juego se
presenten x defectos viene dado por la distribución de Poisson con λ=2. El
resultado se muestra en la siguiente tabla con su correspondiente gráfico:

Pag. 10 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos

x p(x)
0 0.1353
0.3000
1 0.2707
0.2500
2 0.2707
3 0.1804 0.2000
4 0.0902 0.1500
5 0.0361 0.1000
6 0.0120 0.0500
7 0.0034
0.0000
8 0.0009
9 0.0002 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
10 0.0000
11 0.0000
12 0.0000
13 0.0000
14 0.0000
15 0.0000

La forma de la gráfica mostrada es la tendencia característica de TODAS las

distribuciones de Poisson, independiente de los valores que tome el
parámetro de la distribución. Puede observarse claramente cómo los valores
de p(x) van en aumento hasta cierto punto y luego comienzan a disminuirv,
observándose también que el valor “pico” de p(x) está “sesgado”, aunque la
curva se vuelve más simétrica cuanto mayor es el valor que toma el
parámetro λ.

2.4. NOTA ACLARATORIA

En la cuantificación de las distribuciones hasta ahora estudiadas se han desarrollado

ejemplos de estimación para un número específico, lo cual se conoce como
distribución puntual o distribución bruta.

En realidad, en el Control Estadístico pocas veces nos limitamos a una distribución

bruta y, más bien, se evalúa la distribución acumulativa, que consiste en calcular la
distribución para un intervalo. Por ejemplo, si quisiéramos saber la probabilidad que
x≤z (donde z es un número conocido). En la binomial sería la probabilidad que no más
de z artículos resulten defectuosos, al igual que en la hipergeométrica, y en la
distribución de Poisson sería la probabilidad que una pieza de un producto presente
no más de z defectos.

Esto quiere decir que –para cualquiera de las distribuciones discretas que hemos
visto– podríamos estimar la distribución acumulativa como:

p(x≤z) = p(0) + p(1) + ... + p(z)

Felizmente, en Excel, las funciones empleadas para evaluar Poisson y la binomial,

permiten optar entre calcular la distribución bruta (acumulado=0) y la acumulativa
(acumulado=1). La hipergeométrica, lamentablemente, no cuenta con esta opción,
aunque no resultará muy laborioso confeccionar una tabla que sume las distribuciones
brutas hasta el valor que sea necesario especificar.

Pag. 11 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
3. DISTRIBUCIONES CONTINUAS IMPORTANTES

Las distribuciones de probabilidad de carácter continuo de mayor aplicación en el Control

Estadístico de los Procesos son:
• la distribución normal
• la distribución exponencial

3.1. DISTRIBUCIÓN NORMAL

3.1.1. FUNDAMENTO.
Un proceso consiste en una serie de sucesos aleatorios, donde los valores de
una determinada variable de estos sucesos se espera que se concentren en
gran proporción alrededor de la media, además se espera que en rangos de
longitud fija la frecuencia de estos valores vaya descendiendo conforme nos
alejamos de la media. Si este proceso presenta las propiedades
mencionadas, entonces el proceso sigue una distribución normal.

3.1.2. EL MODELO.
Sea f(x) la función de probabilidad que una variable tome el valor x. Si dicha
variable sigue una distribución normal, entonces su función de probabilidad
o función de densidad esvi:
( x− µ )2
1 −
f (x) = 2σ 2
e
2 πσ 2

Donde: µ = media del proceso

σ2 = varianza del proceso
x = variable en estudio

y la función de distribución acumulativa es:

(u − µ )2
x 1 −
F (x) = ∫ 2σ 2
e du
−∞
2 πσ 2

La función de distribución acumulativa pretende calcular la probabilidad que

la variable tome valores menores a un valor específico, por ejemplo:

F (k ) = p ( x ≤ k )

Así mismo, y con base a la función de distribución acumulativa, se puede

calcular la probabilidad que una variable tome valores comprendidos en un
intervalo, por ejemplo:
(u − µ )2
b 1 −
p ( a ≤ x ≤ b ) = F (b ) − F ( a ) = ∫ a
2πσ 2
e 2σ 2
du

3.1.3. LA DISTRIBUCIÓN NORMAL ESTÁNDAR.

Se denomina distribución normal estándar a aquella que presenta media 0 y
varianza 1, es decir x∼N(0,1) aunque la notación prefiere utilizar aquí la
variable z a fin de diferenciarla de la comúnmente utilizada variable x,
además –por el mismo motivo– la función de densidad se representa con la
u2
1 z−
Φ (z) = ∫ e 2
du
−∞
2π
letra griega Φ. Con esto tendremos:

Pag. 12 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos

En el Anexo 1 se muestra una tabla con la distribución acumulada para la

distribución normal estándar, la cual es de mucha utilidad, como veremos en
el ejemplo desarrollado más adelante.

Con relación a la tabla del Anexo 1, merece destacar lo siguiente:

1. Los valores tabulados son para z>0 y debido al carácter simétrico de la
función de densidad es fácil deducir los valores para z<0
2. Los valores tabulados, por definición de función de distribución
acumulada, muestra valores tales que Φ(a)=p(z<a), es decir, el valor
mostrado es la probabilidad que la variable tome valores menores a la
cifra de ingreso

Los dos párrafos anteriores nos lleva a la necesidad de pensar en cómo

determinar la probabilidad cuando z toma valores negativos o cómo
determinar la probabilidad para un rango “mayor que”, como por ejemplo
p(z>a). Por las propiedades de las probabilidades y por la forma simétrica de
la curva de distribución normal, podemos enunciar las siguientes
propiedades para la función de distribución normal:

p(z<a) = Φ(a) [directamente de las tablas]

p(z>a) = 1 - p(z<a) = 1 - Φ(a) [propiedad de las probabilidades]
p(z>-a) = p(z<a) = Φ(a) [por simetría de la curva]
p(z<-a) = p(z>a) = 1 - Φ(a) [por simetría de la curva]
Con lo cual quedan cubiertas todas las posibilidades
3.1.4. EJEMPLO.
Un proceso de producción de tapas de radiador sigue una distribución
normal, tomándose como variable de referencia el diámetro interior de las
tapas. El diámetro promedio de las tapas es de 98 mm, con una desviación
estándar de 4 mm. ¿Cuál es la probabilidad que los diámetros de las tapas
producidas se encuentren en los siguientes rangos?
a entre 94 mm y 102 mm
b entre 90 mm y 106 mm
c entre 86 mm y 110 mm

Solución
Realizaremos el procedimiento de solución para la parte “a” del problema y
luego expondremos las respuestas para las partes “b” y “c”.

Existen dos maneras de resolver este problema:

• La primera forma es trabajando en una hoja electrónica de cálculo con la

distribución x∼N(98,42). Para ello, podemos emplear la función
DISTR.NORM, tal como muestra el cuadro de Excel presentado a
continuación:

Pag. 13 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos

En el cuadro está resaltada la celda D6 (la

penúltima de la columna D), lo cual nos
permite ver en la barra de fórmulas cuál es
la sintaxis de la función utilizada:

- La celda D4 contiene el número a

evaluar (102)
- La celda C2 contiene el valor de la
media (98)
- La celda D2 contiene el valor de la desviación estándar (4)
- El último argumento (1) permite el cálculo de la distribución acumulada

De forma similar, la celda C6 calcula la distribución acumulada para x<94 (la

fórmula en esta celda es =DISTR.NORM(C4,C2,D2,1)). Por último, la
celda D7 calcula la diferencia entre las dos distribuciones evaluadas, es
decir, nos da la respuesta final:

. p(94<x<102)=68,26% .

- La segunda forma de solución es utilizando la tabla de la distribución

normal estándar (Anexo 1), para lo cual debemos hacer un cambio de
variable, que en realidad es el cambio de variable que siempre se
debe hacer:

x−µ
z=
σ

Se acostumbra decir que se ha estandarizado o que se ha tipificado la

variable x, y para nuestro ejemplo ya no tendríamos que evaluar
p(94<x<102) sino p(-1<z<1) = Φ(1) - Φ(-1). De esta forma, buscaremos
determinar de la tabla:

Φ(1) = p(z<1) = 0.841345

Φ(-1) = p(z<-1) = 1 - p(z<1) = 0.158655

=> . p(-1<z<1) = 0.682690 .

Respuesta que coincide completamente con el cálculo para p(94<x<102).

También es factible trabajar en Excel con la función

DISTR.NORM.ESTAND, la cual calcula la distribución normal estándar
acumulativa del número ingresado. Entonces, el presente ejemplo se podría
resolver como se grafica en el cuadro siguiente:

A B A B
1 a b 1 a b
2 -1 1 2 -1 1
3 F(a) F(b) 3 F(a) F(b)
4 =DISTR.NORM.ESTAND(A2) =DISTR.NORM.ESTAND(B2) 4 0.15866 0.84134
5 p(-1<z<1) =+B4-A4 5 p(-1<z<1) 0.68269

Pag. 14 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos

La izquierda del cuadro muestra las fórmulas empleadas y a la derecha se

observan los valores obtenidos.

En resumen:
Para la parte “a” la respuesta es p(94<x<102) = p(-1<z<1) = 0.6826
Para la parte “b” la respuesta es p(90<x<106) = p(-2<z<2) = 0.9545
Para la parte “c” la respuesta es p(86<x<110) = p(-3<z<3) = 0.9973

Como conclusión del ejemplo y a modo de generalización, en una

distribución normal siempre se tendrá:

p(µ-1σ<x<µ+1σ) = 68,26% [límite µ ± 1σ]

p(µ-2σ<x<µ+2σ) = 95,45% [límite µ ± 2σ
p(µ-3σ<x<µ+3σ) = 99,73% [límite µ ± 3σ]

m
µ-σ

µ+σ

µ+2σ

µ+3σ
µ
µ-3σ

µ-2σ

m+s

m+2s

m+3s
m-s
m-3s

m-2s

68,26%
95,45%
99,73%

Esta conclusión es de suma importancia, ya que un proceso que se

encuentre bajo control estadístico ha de satisfacer los porcentajes indicados
de productos “conformes” dentro de los límites de contención expuestos.

3.1.5. EJEMPLOS COMPLEMENTARIOS.

Ya que, como mencionáramos, la distribución normal es muy utilizada y es,
quizás, la distribución más importante tanto para la teoría como para las
aplicaciones de la Estadística, merece la pena desarrollar una serie de
ejemplos que abarque la mayor cantidad de posibles problemas relacionados
con la distribución normal.

Ejemplo 1.
Una posibilidad en el ejemplo anterior es que nos pregunten ¿cuántos
milímetros como máximo ha de tener el diámetro interior de las tapas de los
radiadores para que esté contenido el 97% de las tapas producidas?

Solución
Si nos valemos de la tabla del Anexo 1, deberemos buscar dentro de la tabla
el valor 0,97. Y es así que obtendremos z=1,88 si consideramos que el valor
más aproximado en la tabla es 0,969946. Sin embargo, no podemos dar

Pag. 15 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
como respuesta 1,88 ya que éste es el valor tipificado de la variable, por lo
x−µ
cual tenemos que despejar x de la fórmula z= ,
σ
x − 98
obteniendo 1,88 = ⇒ . x ≤ 105,52 mm .
4

Ahora bien, en Excel podemos

A B
usar la función
1 m 98
DISTR.NORM.INV y
obtendríamos el resultado de un 2 s 4
modo más directo. Tal como se 3 p(x) 97%
aprecia en el gráfico de al lado, 4 x 105.52315
el valor entregado es:
=DISTR.NORM.INV(B3,B1,B2)!
. x ≤ 105,52 mm .

Ejemplo 2.
Variaremos “ligeramente” el Ejemplo 1 y ahora preguntaremos ¿en qué
rango ha de encontrarse el diámetro interior de las tapas de los radiadores
para que esté contenido el 97% de las tapas producidas, pero de manera
simétrica alrededor de la media?

Solución
Para que el 97% de las tapas esté centrado con la media, del 3%
“rechazado” cada mitad (1,5%) ha de quedar a cada extremo de la curva.
Esto quiere decir que debemos buscar los valores de x que cumplan con que
p(µ-a<x<µ+a) = 0,97, es decir:

p(x<µ-a) = 0,015 µ-a = DISTR.NORM.INV(1.5%,98,4) =

89,32mm
p(x<µ+a) = 1-0,015 = 0,985 µ+a = DISTR.NORM.INV(98.5%,98,4) =
106,68mm

Esto significa que los diámetros deben salir del proceso con más de 89,32
mm pero menos de 106,68 mm para cumplir con los requerimientos
establecidos.

Algo que aquí es destacable observar es que el valor de “a” es 8,68 mm (98
– 89,32 o 106,68 – 98). Un valor algo mayor a 2σ (= 8) y que –
lógicamente– genera una probabilidad algo mayor a 95,45%, pero siendo
menor que 3σ (=12) la probabilidad será menor que 99,73%. Esto es
interesante resaltarlo porque nos puede servir para estimar rápidamente y a
grosso modo entre qué valores se puede encontrar el dato solicitado.

Ejemplo 3.
En una planta existen dos líneas de producción para obtener el mismo
producto, estimándose el peso del producto como la variable para el control
del proceso. De la primera línea se toma una muestra que pesa 55,5 kg y
una muestra de la segunda línea pesa 54,3 kg. En la primera línea el proceso
tiene µ = 52,7 kg y σ = 2,8 kg; en la segunda línea el proceso tiene µ =
51,4 kg y σ = 3,1 kg. ¿Cuál de las dos muestras tomadas es más “atípica”?

Pag. 16 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos

Solución
En primer lugar, entenderemos por atípica aquella muestra que se aleje más
de la media. A partir de este concepto, estaríamos tentados en afirmar que
la segunda muestra es más atípica puesto que:

En la primera muestra -> x-µ = 55,5 – 52,7 = 2,8

En la segunda muestra -> x-µ = 54,3 – 51,4 = 2,9

Pero, no sería correcto el procedimiento aplicado si se está olvidando el

considerar la influencia de la desviación estándar.

Casi seguro que ahora la tentación apunta – como ya nos mencionaron

MEDIA y DESVIACIÓN ESTÁNDAR– a calcular la distribución normal
acumulada para ambas muestras comparadas con sus respectivas líneas de
producción y la que arroje el mayor valor será la muestra más atípica,
puesto que un mayor acumulado implica un mayor alejamiento respecto de
la media.

A B C
1 x 55.5 54.3
2 m 52.7 51.4
3 s 2.8 3.1
4 F(x) 0.8413447 0.8252305
"muestra más atípica
Este razonamiento no es errado, pero la solución resulta más sencilla aún.
Basta con estandarizar cada una de las variables muestreadas y resultará
más atípica aquella que se aleje más de “cero” (recordar que al estandarizar,
la media se hace cero). Es así que tendremos:

En la primera muestra -> (x-µ )/σ = 2,8/2,8 = 1

En la segunda muestra -> (x-µ )/σ = 2,9/3,1 = 0,94

3.1.6. APLICACIÓN.
Para los propósitos del curso, la distribución normal se aplica para estimar la
probabilidad que un proceso industrial se encuentre bajo control estadístico.
En general, se aplica sobre cualquier variable aleatoria en la que se espera
que la mayor cantidad de valores se concentre alrededor de la media y esta
cantidad vaya descendiendo progresivamente conforme nos alejamos de la
media y nos vamos a encontrar con aplicaciones tan disímiles como
estaturas, notas de un examen, caudales de ríos, tensión de salida de una
fuente, etc.

El problema que se nos presenta es cómo saber si una serie de datos se

ajusta a una distribución normal:
- Lo más exacto y preciso es aplicar –y esto escapa a los objetivos del
curso– el denominado test χ2 (se lee chi-cuadrado) o algún otro
“elaborado” método estadístico;
- Una buena aproximación es fabricar un histograma con una muestra
aleatoria de los datos, tal como hiciéramos en la unidad anterior, y
observar si la forma del histograma tiende a la curva normal,
simplificándose la observación con el denominado gráfico de probabilidad

Pag. 17 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
normal que –al llevar los datos del histograma– formarán una línea
recta;
- Y ya algo todavía menos exacto es confiarnos del concepto general de
que los procesos industriales –en tanto gobernados por causas
aleatorias– siguen una distribución normal.

3.2. DISTRIBUCIÓN EXPONENCIAL

3.2.1. FUNDAMENTO.
En un proceso, el tiempo de servicio para un componente o para el sistema
completo está gobernado por causas aleatorias. Bajo estas condiciones, el
referido tiempo de servicio se puede representar mediante una distribución
exponencial.

3.2.2. EL MODELO.
Sea f(x) la función de probabilidad que una variable tome el valor x. Si dicha
variable sigue una distribución exponencial, entonces su función de
probabilidad o función de densidad es:
f ( x) = λe −λx

donde: e = 2.71828183 (la base del logaritmo natural)

λ = constante de la distribución
x = variable en estudio

Es de tomarse en cuenta que λ siempre es un valor positivo. A λ se le

identifica como el parámetro de la distribución de exponencial. Por otro lado
–puesto que esta distribución se aplica sobre variables temporales– debe
considerarse que siempre x≥0 (no tiene sentido un tiempo negativo).

Este último razonamiento nos permite deducir que la función exponencial

acumulativa es:
x
F ( x) = ∫ λe −λu du = 1 − e −λx
0

Los números que resumen la distribución exponencial son:

media µ 1/λ
varianza σ2 1/λ2

3.2.3. EJEMPLO.
El rodamiento principal de una línea de producción tiene una vida media de
10 000 horas, siendo éste el tiempo recomendado para realizar la parada de
la línea y el respectivo cambio de rodamiento.
a ¿Cuál es la probabilidad que el rodamiento falle antes de las 10 000
horas?
b ¿Cuál es la probabilidad que el rodamiento falle después de las 20 000
horas de funcionamiento?

Solución
a Comencemos por simplificar los cálculos, considerando que la variable
que vamos a evaluar la podemos expresar en miles de horas. De esta
manera tendremos que la media de esa variable sería 10 y, por tanto, λ=
0,1.

Pag. 18 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos

Empleando, entonces, la función exponencial acumulada, tendremos:

F(10) = 1 - e-λx = 1 – e-(0,1)(10) = 1 – e-1 = 0.63212

⇒ . p(x≤10) = 63,21% .

En primer término, debemos notar que el problema incide en el cálculo

“justo para la media”, dando como resultado una ecuación independiente
de λ.

Esto quiere decir que –sin interesar cuál sea el valor del parámetro de la
distribución exponencial– la probabilidad que la variable en estudio sea
menor o igual a la media siempre será de 63,2%. Nótese también que –
debido al carácter asimétrico de la curva– este valor no representa “la
mitad” de la curva (recordar que en la distribución normal F(µ) = 50%).

0.8

0.6

0.4

0.2

0
0

10

20

30

40

50
La gráfica muestra la curva de distribución exponencial acumulativa
particular a este problema. Aquí vemos que para x=10 -> F(10)=0,63212.

Ahora bien, si reemplazamos el valor 10 por un parámetro general λ,

tendremos:

VALORES DE LA FUNCIÓN EXPONENCIAL ACUMULATIVA

COMO FUNCIÓN DEL PARÁMETRO λ

x 0 λ 2λ 3λ 4λ
F(x) 0.0000 0.6321 0.8647 0.9502 0.9817

x 5λ 6λ 7λ 8λ 9λ
F(x) 0.9933 0.9975 0.9991 0.9997 0.9999

El cuadro nos dice que, independiente del valor de λ, la tendencia de la

distribución exponencial siempre es la misma. El concepto es muy similar

Pag. 19 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
a lo visto para la distribución normal cuando calculamos los porcentajes
en función de µ y σ (ver página 14 de la presente unidad).

Como conclusión a esta parte, podemos decir que la probabilidad que un

componente o un sistema falle antes de su duración media, siendo como
su vida útil se ajusta a una distribución exponencial, siempre será de
63,21%. Además, –como es lógico– cuanto mayor sea el tiempo que
transcurra, mayor será la probabilidad de falla.

b Esta parte del problema ya no busca directamente la distribución

acumulada, sino, más bien, el complemento de esta función. Esto se
puede expresar a partir de:

p(x≥20) = 1 – p(x≤20) = 1 – (1 – e- (0.1)(20))

⇒ p(x≥20) = e- (0.1)(20)

. p(x≥20) = 0.1353 .

Esto también puede deducirse en la gráfica y en el cuadro de la página

anterior, donde p(x<20) = 0,8647 y como p(x≥20) = 1 - p(x<20),
llegaríamos al mismo resultado. O puede representarse en el gráfico de la
función de densidad de la distribución exponencial, tal como muestra la
parte sombreada de la figura siguiente:

0.1

0.08

0.06

0.04

0.02

0
0

10

20

30

40

50

En esta parte, podemos concluir que una expresión general para el

complemento de la función acumulativa es:

p(x≥a) = e- λa

Por otra parte, debemos ser cuidadosos al interpretar el resultado. Alguien

podría entender que si p(x≥20) es “apenas” 13,53% entonces convendría
“dejar así las cosas”. Nada más errado. La interpretación cierta es que ese
apenas 13,53% implica que la probabilidad que ocurra la falla antes de
las 20 000 horas es de 86,47%.

Pag. 20 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos

3.2.4. APLICACIÓN.
La distribución exponencial tiene una gran utilidad en la teoría de colas, en
problemas de listas de espera y en estimaciones relacionadas con tiempos
de servicio, representando, por ejemplo, el tiempo que una persona aguarda
en una cola. El caso más saltante y de amplia aplicación en lo que a
procesos industriales se refiere es en el Mantenimiento Basado en la
Confiabilidad (RCM, por sus siglas en inglés), como modelo para el tiempo
transcurrido hasta la falla de un componente o de un sistema y donde el
parámetro λ recibe el nombre particular de índice de falla.

4. EJERCICIOS PROPUESTOS

4.1. EJERCICIO 1
Se desea formar el comité de organización para un evento técnico conformado por
representantes de 7 empresas. Se supone que la probabilidad de que una empresa
acepte la invitación es de 0.75. ¿Cuántas invitaciones habrá que enviar para
maximizar la probabilidad que el comité esté conformado exactamente por 7
miembros? ¿A cuánto asciende esa probabilidad?

[n=9; p(x)=30%]

4.2. EJERCICIO 2
Dentro de una caja hay 18 pares de medias: 6 pares de medias negras y 12 pares de
medias azules. Se extraen dos medias al azar. ¿Cuál es la probabilidad de sacar
exactamente un par negro?. ¿Cuál es la probabilidad de sacar exactamente un par
azul?
[p(par negro)=9,8%; p(par azul)=43,1%]

4.3. EJERCICIO 3
Un entrenador de fútbol trabaja las estadísticas sobre los partidos de su equipo y ha
calculado que los tiros libres logran favorecerle a razón de 2 tiros libres cada 10
minutos, pero su ataque cae en “fuero de juego” cada 15 minutos. ¿Cuál es la
probabilidad de generar más de 2 tiros libres en un período de 10 minutos?. ¿Cuál es
la probabilidad que sus delanteros no caigan en “off side” en un período de 15
minutos?
[p(x>2)=32,33%; p(y=0)=36,7%]

4.4. EJERCICIO 4
Una jirafa y un pequeño escarabajo están discutiendo sobre quién es más alto entre
los dos (cada uno dentro de su especie). La jirafa afirma que ella sobrepasa en 1,1
metros la estatura media de su especie, mientras que el escarabajo (que supera en 6
mm la longitud media de los suyos) presume, es raro que haya alguien más largo que
él. Si la desviación estándar para la estatura de las jirafas es 0,82m y para los
escarabajos es 3,2mm, ¿quién tiene la razón?
[el escarabajo]

Pag. 21 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos
4.5. EJERCICIO 5
Una fábrica de componentes electrónicos produce cierto tipo de LED cuyo tiempo
promedio de falla es de 5 años. ¿Cuál es la probabilidad de que un LED continúe
funcionando después de 8 años?

Una planta adquiere 5 de estos LED’s y los instala en un sistema de alarma. ¿Cuál es
la probabilidad de que al menos 2 de los LED’s continúen funcionando después de 8
años?
[p(x>8)=20,19%; p(y≥2)=26,66%]

5. PREGUNTAS DE AUTOCOMPROBACIÓN

1. ¿Qué es una distribución de probabilidad?

2. ¿Cómo se clasifican las distribuciones de probabilidad?

3. ¿Cuáles son las distribuciones discretas más importantes?

4. ¿Cuáles son las distribuciones continuas más importantes?

5. Para una distribución de probabilidad, ¿qué diferencia existe entre función de densidad y
función acumulativa?

6. ¿Cuál es la importancia de la distribución normal estándar?

7. ¿Cuál es la aplicación más destacada de la función exponencial?

6. RESPUESTAS AL CUESTIONARIO

1. Modelo matemático para determinar la probabilidad que una variable tome un valor o se
encuentre en un rango de valores.

2. Discretas.
Continuas.

3. Binomial.
Hipergeométrica.
De Poisson.

4. Normal.
Exponencial.

5. Función de densidad: valor específico.

Función acumulativa: valores menores a ese valor específico.

6. Cálculo independiente de la media y la desviación estándar.

7. Ingeniería de confiabilidad.

Pag. 22 Unidad II
Tecsup Virtu@l Control Estadístico de Procesos

7. REFERENCIAS

1. Jacob Bernoulli (1654 – 1705). Matemático suizo, el primero en usar el término integral
en el año 1690. Trabajó mucho en la Teoría de la Probabilidad. Utilizó tempranamente
las coordenadas polares y descubrió el isócrono, curva que se forma al caer
verticalmente un cuerpo con velocidad uniforme.

2. Siméon Denis Poisson (1781 – 1840) Matemático francés. Publicó más de 300 trabajos
matemáticos incluyendo aplicaciones en termodinámica, electricidad, magnetismo y
astronomía. Su nombre es asociado en diversas áreas: integral de Poisson, teoría de
ecuaciones de potencia de Poisson, avances de Poisson en ecuaciones diferenciales,
distribución de probabilidad de Poisson, constante eléctrica de Poisson.

3. El punto de quiebre hasta donde aumentan los valores de p(x) y a partir del cual
comienzan a disminuir viene dado por p(n+1). En el ejemplo expuesto tendríamos que
este valor sería 0,2x(20+1)=4,2. Se observa en la tabla que de 0 a 4 aumenta p(x) y a
partir de ahí comienza a disminuir, corroborando nuestros cálculos. Esto es de especial
importancia para el control estadístico en la aceptación o el rechazo de lotes de
productos.

4. El punto de quiebre hasta donde aumentan los valores de p(x) y a partir del cual
comienzan a disminuir viene dado por n(K/N). En el ejemplo expuesto tendríamos que
este valor sería 30x(3000/10000)=9. Esto se confirma en la tabla, donde de 0 a 9
aumenta p(x) y a partir de ahí comienza a disminuir.

5. Punto de quiebre para la distribución de Poisson viene dado por λ. En el ejemplo

expuesto tendríamos que este valor sería 2. Se confirma en la tabla que de 0 a 2
aumenta p(x) y a partir de ahí comienza a disminuir. Caso “curioso” de esta distribución
es que siempre p(λ)=p(λ-1).

6. La distribución normal es tan utilizada que su función de densidad tiene una notación
especial, la cual es x∼N(µ,σ2) y que significa que la variable x sigue una distribución
normal con media µ y varianza σ2.
FIN DE LA UNIDAD

Pag. 23 Unidad II