UNIVERSIDAD DE LA COSTA

DEPARTAMENTO DE CIENCIAS BÁSICAS

ÁREA DE LABORATORIO DE FÍSICA

FACULTAD DE INGENIERÍA

DISTRIBUCION BINOMIAL Y POISSON

Ana Cueto Barboza, Natalia Fontalvo, Yulika Ruiz y Alejandro Rojas.

Ingeniería Industrial
Laboratorio de Control de Calidad. Grupo: CN - 21 -08-19

Resumen

El siguiente laboratorio tiene como objetivo calcular la distribución binomial y de

poisson, donde se necesitaron 100 canicas de las cuales 85 eran de colores y 15 eran
blancas, pero la cantidad de canicas variaba dependiendo la tabla que se quisiera llenar
realizando el procedimiento varias veces, esto se logró hacer con la ayuda de una caja
binomial. Una vez realizada la experiencia se organizan los datos obtenidos para la
obtención de las diferentes frecuencias y probabilidades experimentales y teóricas.

Palabras claves
Distribución, frecuencias, binomial, poisson, probabilidades.

Abstract

The following laboratory aims to calculate the binomial distribution, where 100 marbles
were needed, of which 85 were colored and 15 were white, but the amount of marbles
varied depending on the table to be filled in by performing the procedure several times,
this was achieved do with the help of a binomial box. Once the experience is completed,
the data obtained to obtain the different frequencies and experimental and theoretical
probabilities are organized.

Keywords:
Distribution, frequency, binomial, probability.

1. Introducción
La distribución de poisson son el control de calidad, la aceptación de muestras, el
aseguramiento de la calidad, es decir, de esta manera la probabilidad de que un suceso
raro pase y que sea representada en una variable discreta. La distribución de poisson es
una de las distribuciones más importantes para las variables discretas y que ella solo
toma valor desde 0, 1, 2 hasta n. Por otro lado, la distribución binomial asegura que en
cada ensayo o experimento solo son posibles dos resultados (éxito o fracaso) y que el
resultado obtenido en cada experimento es independiente del anterior, lo que quiere decir
que lo que ocurra en cada experimento no afecta a los siguientes.
En la experiencia realizada en el laboratorio se logró evidenciar que puede ocurrir en un
determinado suceso o evento, ya que probaremos con 100 canicas en una caja binomial
con diferentes proporciones como esta dada la distribución de poisson y binomial.

1
 UNIVERSIDAD DE LA COSTA
DEPARTAMENTO DE CIENCIAS BÁSICAS
ÁREA DE LABORATORIO DE FÍSICA

FACULTAD DE INGENIERÍA

2. Fundamentos Teóricos

DISTRIBUCIÓN BINOMIAL
En estadística, la distribución binomial es una distribución de probabilidad discreta que
indica el número de éxitos al realizar una secuencia de n ensayos independientes entre sí,
con una probabilidad fija (p) de ocurrencia del éxito entre esos ensayos.
Una variable discreta es aquella que solo puede tomar un número finito de valores entre
dos valores cualesquiera de una característica.
La función de probabilidad de la distribución binomial, también denominada función de
la distribución de Bernoulli, se expresa con la fórmula:

Hay que observar que las probabilidades de éxito y fracaso son complementarias; es
decir, q = 1 – p y p = 1 – q , por lo que basta saber una de ellas para calcular la otra.

Al incluir n! incorporamos el concepto de función factorial, el que se puede ver

en Factorial o Función factorial.

2
 UNIVERSIDAD DE LA COSTA
DEPARTAMENTO DE CIENCIAS BÁSICAS
ÁREA DE LABORATORIO DE FÍSICA

FACULTAD DE INGENIERÍA

Ahora, veamos algunos ejemplos o ejercicios que nos permitirán entender mejor esta
operatoria matemática llamada distribución binomial.

Propiedades de la distribución binomial

 En cada ensayo, experimento o prueba solo son posibles dos resultados (éxito o fracaso).
 La probabilidad del éxito ha de ser constante. Esta se representa mediante la letra p. La
probabilidad de que salga cara al lanzar una moneda es 0,5 y esta es constante dado que
la moneda no cambia en cada experimento y las probabilidades de sacar cara es constate.
 La probabilidad de fracaso ha de ser también constate. Esta se representa mediante la letra
q = 1-p. Es importante fijarse que mediante esa ecuación, sabiendo p o sabiendo q,
podemos obtener la que nos falte.
 El resultado obtenido en cada experimento es independiente del anterior. Por lo tanto lo
que ocurra en cada experimento no afecta a los siguientes.
 Los sucesos son mutuamente excluyentes, es decir, no pueden ocurrir los 2 al mismo
tiempo. No se puede ser hombre y mujer al mismo tiempo o que al lanzar una moneda
salga cara y cruz al mismo tiempo.
 Los sucesos son colectivamente exhaustivos, es decir, al menos uno de los 2 ha de ocurrir.
Si no se es hombre, se es mujer y si se lanza una moneda, si no sale cara ha de salir cruz.
 La variable aleatoria que sigue una distribución binomial se suele representar como
X~(n,p). n representa el número de ensayos o experimentos y p la probabilidad de éxito.

Ejemplo:

Imaginemos que un 80% de personas en el mundo han visto el partido de la final del
último mundial de futbol. Tras el evento, 4 amigos se reúnen a conversar, ¿Cuál es la
probabilidad de que 3 de ellos hayan visto?

Definamos las variables del experimento:

n = 4 (es el total de la muestra que tenemos)

x = número de éxitos, que en este caso es igual a 3, dado que buscamos la probabilidad
de que 3 de los 4 amigos lo hayan visto.

p = probabilidad de éxito (0,8)

q = probabilidad de fracaso (0,2). Este resultado se obtiene al restar 1-p.

Tras definir todas nuestras variables, simplemente sustituimos en la formula.

3
 UNIVERSIDAD DE LA COSTA
DEPARTAMENTO DE CIENCIAS BÁSICAS
ÁREA DE LABORATORIO DE FÍSICA

FACULTAD DE INGENIERÍA

El numerador de la factorial se obtendría de multiplicar 4*3*2*1 = 24 y en el

denominador tendríamos 3*2*1*1 = 6. Por lo tanto el resultado del factorial sería 24/6=4.
Fuera del corchete tenemos dos números. El primero sería 0,8^3=0,512 y el segundo 0,2
(dado que 4-3 = 1 y cualquier número elevado a 1 es el mismo).

Por tanto, nuestro resultado final sería: 4*0,512*0,2 = 0,4096. Si multiplicamos por 100
tenemos que hay una probabilidad del 40,96% de que 3 de los 4 amigos hayan visto el
partido de la final del mundial.

DISTRIBUCION DE POISSON

La distribución de Poisson es una distribución de probabilidad discreta que se aplica a las

ocurrencias de algún suceso durante un intervalo determinado. Nuestra variable
aleatoria x representará el número de ocurrencias de un suceso en un intervalo
determinado, el cual podrá ser tiempo, distancia, área, volumen o alguna otra unidad
similar o derivada de éstas.

donde:

 Nuestra variable aleatoria discreta puede tomar los valores:

 donde es la media del número de sucesos en el intervalo que estemos tomando, ya
sea de tiempo, distancia, volumen, etc. Es importante entender que este valor es una
media en el sentido estrictamente estadístico de la palabra y como tal se calculará
mediante dicha expresión y no debe calcularse nunca con una regla de
proporcionalidad o regla de tres.
 Se debe cumplir la condición de normalización
 La desviación típica es
 Cuando realizamos un experimento contando sucesos y obtenemos un valor x, su
error vendrá determinado por la raíz de x.

4
 UNIVERSIDAD DE LA COSTA
DEPARTAMENTO DE CIENCIAS BÁSICAS
ÁREA DE LABORATORIO DE FÍSICA

FACULTAD DE INGENIERÍA

La distribución de Poisson debe de cumplir los siguientes requisitos:

 La variable discreta es el número de ocurrencias de un suceso durante un intervalo
(esto es la propia definición que hemos dado anteriormente).
 Las ocurrencias deben ser aleatorias y no contener ningún vicio que favorezca unas
ocurrencias en favor de otras.
 Las ocurrencias deben estar uniformemente distribuidas dentro del intervalo que se
emplee.

EJEMPLO:

Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un día dado

x = variable que nos define el número de cheques sin fondo que llegan al banco en un
día cualquiera = 0, 1, 2, 3, ....., etc, etc.
l = 6 cheques sin fondo por día
e = 2.718

3. Desarrollo experimental

El desarrollo de la experiencia consiste en colocar dentro de una caja binomial, 85 canicas

de color y 15 blancas para posteriormente ser agitadas 50 veces, primeramente y así
obtener una serie de resultados los cuales serían anotados, dependiendo las indicaciones
que daba cada tabla de la guía de laboratorio.

Materiales

 Canicas o bolas de colores y blancas

 Caja binomial (caja con abertura de vidrio en los laterales)

4. Análisis y Resultados

 Tablas:

5
 UNIVERSIDAD DE LA COSTA
DEPARTAMENTO DE CIENCIAS BÁSICAS
ÁREA DE LABORATORIO DE FÍSICA

FACULTAD DE INGENIERÍA

 PREGUNTAS
1. A qué razones obedece las diferencias entre la probabilidad teórica y
la probabilidad experimental resultante.

Para poder entender las diferencias entre ambas probabilidades debemos entender en que
consiste cada una, la probabilidad teórica es aquella que se calcula antes de que cualquier
evento ocurra, para poder predecir cómo será el desarrollo de este evento y la probabilidad
experimental se calcula después de que el evento haya ocurrido, observando el patrón de
los hechos de con qué frecuencia se ve cierto resultado y con esto poder tener una idea de
cómo sería el resultado del evento futuro. La diferencia entre probabilidad teórica y
probabilidad experimental radica en que la primera se obtiene sin efectuar el experimento,
y la segunda después de haberlo realizado un gran número de veces.

 Si el valor de (p) en el universo que es objeto de experimento, variase a 0,3

como variaran los resultados obtenidos.
Este valor en la distribución binomial representa la probabilidad de éxito de un evento
aleatorio, si esta probabilidad varia a 0,3 quiere decir que ahora tendrás un 30% de
probabilidad de que se tenga éxito.

Desarrolle los siguientes ejercicios:

I. Un fabricante de automóviles se preocupa por una falla en el mecanismo de

freno de un modelo particular. La falla puede causar en raras ocasiones una
catástrofe a alta velocidad. Suponga que la distribución del número de autos
por año que experimentará la falla es una variable aleatoria de Poisson con
λ= 5
 ¿Cuál es la probabilidad de que, a lo más, tres autos por año sufran catástrofe?

 ¿Cuál es la probabilidad de que más de un auto por año experimente una

catástrofe?

II. El número de clientes que llega por hora a ciertas instalaciones de servicio
automotriz se supone que sigue una distribución de Poisson con media λ =7

6
 UNIVERSIDAD DE LA COSTA
DEPARTAMENTO DE CIENCIAS BÁSICAS
ÁREA DE LABORATORIO DE FÍSICA

FACULTAD DE INGENIERÍA

 Calcule la probabilidad de que más de 10 clientes lleguen en un periodo de 2

horas.

 Cuál es el número medio de llegadas durante un periodo de 2 horas.

5. Conclusión

Con la práctica de este laboratorio aprendimos a como diferenciar los conceptos de

distribución binomial y los de Poisson por medio de un juego al azar que en este caso fue
de canicas, el cual por medio de los cálculos realizados se pudo apreciar las distintas
probabilidades dependiendo del número de éxitos y fracasos que arrojo la experiencia. A
su vez nos aumentó conocimientos para nuestra formación como ingenieros industriales
ya que si nos desempeñamos en el área de calidad podemos identificar cuando un
producto se le pueden aplicar pruebas para estar conforme con el mercado gracias a estas
distribuciones.

6. Bibliografía I

 http://www.juntadeandalucia.es/averroes/centros-
tic/14002996/helvia/aula/archivos/repositorio/250/295/html/estadistica/ddisc
retas.htm
 http://www.itchihuahua.edu.mx/academic/industrial/sabaticorita/_private/05
Distr%20Poisson.htm

7
 UNIVERSIDAD DE LA COSTA
DEPARTAMENTO DE CIENCIAS BÁSICAS
ÁREA DE LABORATORIO DE FÍSICA

FACULTAD DE INGENIERÍA

 ANEXOS:

DISTRIBUCCION BINOMIAL
Sea X una v.a. discreta que toma los valores x = 0, 1, ..., n, donde n es un numero natural
conocido. Se dice que X sigue una distribución binomial de Apuntes de Métodos
Estadísticos. parámetros n y p (y se nota X → B (n, p)) si su función masa es:

Sea X → B (n, p). Entonces

EX = np V
arX = np (1 − p).
Supongamos que un determinado experimento aleatorio se repite n veces de forma
independiente y que en ese experimento hay un suceso que denominamos éxito, que
ocurre con probabilidad constante p. En ese caso, la variable aleatoria X que mide el
número de éxitos sigue una B (n, p). En esta caracterización es importante observar que
las dos hipótesis fundamentales de esta distribución son:
los experimentos se repiten de forma independiente y la probabilidad de éxito es
constante.
En la medida en que estas dos hipótesis no sean válidas, la distribución binomial no será
adecuada para la variable que cuenta el número de éxitos.

Los sucesos son mutuamente excluyentes, es decir, no pueden ocurrir los 2 al mismo
tiempo. No se puede ser hombre y mujer al mismo tiempo o que al lanzar una moneda
salga cara y cruz al mismo tiempo. Los sucesos son colectivamente exhaustivos, es decir,
al menos uno de los 2 ha de ocurrir. Si no se es hombre, se es mujer y si se lanza una
moneda, si no sale cara ha de salir cruz.

8
 UNIVERSIDAD DE LA COSTA
DEPARTAMENTO DE CIENCIAS BÁSICAS
ÁREA DE LABORATORIO DE FÍSICA

FACULTAD DE INGENIERÍA

En pocas palabras la distribución más utilizada es la distribución binomial ya que es

ampliamente empleada en procesos de control de calidad en situaciones cuya solución
tiene dos posibles resultados, éxito o fracaso, de un parámetro de un conjunto de muestras
establecido, en la actualidad las industrias de manufactura o producción realizan
actividades de control de calidad donde se espera detectar que ocurra o no un evento
específico. Este evento puede ser de éxito o fracaso, sin que haya un punto intermedio de
decisión. Cuando se realiza la producción de un componente o artículo, se ejecutan
procedimientos de verificación para determinar si este cumple o no con unas
características previamente definidas, para estas situaciones se utiliza la distribución
Binomial.
Ejemplo:
Un lote de 10 pernos contiene 4 defectuosos. Considere el experimento de elegir un perno
al azar del lote y luego de observar si es o no defectuoso se regresa al lote. ¿Cuál es la
probabilidad de que en tres repeticiones de este experimento se obtengan 0 defectuosos?
Este problema puede lanzar dos soluciones o esta defectuoso o no lo está y la probabilidad
de que sea defectuoso es 4/10 en cada una de las tres repeticiones. Por lo tanto, el
experimento es binomial y la variable aleatoria X, definida como el número de pernos
defectuosos obtenidos en las tres repeticiones, se distribuye binomial con parámetros n =
3 y p = 0.4 (X  b(3; 0.4)).
En consecuencia, la probabilidad de obtener 0 defectuosos, es:
P (X = 0) = 3C0 p0 (1 - p)3 – 0 = 1 x 1 x (1 – 0.4)3 = 0.216 = 21.6%
las probabilidades de obtener 1, 2 y 3 defectuosos, están dadas, por:
P (X = 1) = 3 C1 p1 (1 - p)3 – 1 = 3 x 0.41 x (1 – 0.4)2 = 0.432 = 43.2%
P (X = 2) = 3 C2 p2 (1 - p)3 – 2 = 3 x 0.42 x (1 – 0.4)1 = 0.288 = 28.8%
P (X = 3) = 3 C3 p3 (1 - p)3 – 3 = 1 x 0.43 x (1 – 0.4)0 = 0.064 = 6.4%

DISTRIBUCCION DE POISSON
La distribución de Poisson es una distribución de probabilidad discreta que se aplica a las
ocurrencias de algún suceso durante un intervalo determinado. Nuestra variable
aleatoria x representará el número de ocurrencias de un suceso en un intervalo

9
 UNIVERSIDAD DE LA COSTA
DEPARTAMENTO DE CIENCIAS BÁSICAS
ÁREA DE LABORATORIO DE FÍSICA

FACULTAD DE INGENIERÍA

determinado, el cual podrá ser tiempo, distancia, área, volumen o alguna otra unidad
similar o derivada de estas.

La distribución de Poisson debe de cumplir los siguientes requisitos:

 La variable discreta es el número de ocurrencias de un suceso durante un
intervalo (esto es la propia definición que hemos dado anteriormente).
 Las ocurrencias deben ser aleatorias y no contener ningún vicio que favorezca unas
ocurrencias en favor de otras.
 Las ocurrencias deben estar uniformemente distribuidas dentro del intervalo que se
emplee.
La distribución de Poisson se aplica en los casos en que la probabilidad de realización de
un suceso en un ensayo es muy pequeña y se quiere predecir la realización de los sucesos
en un número muy elevado de observaciones. Se aplica, en algunos casos particulares del
control de calidad. Una de sus aplicaciones en el control de calidad es la detección de
errores o defectos en los productos a inspeccionar ya que el número defectos pueden ser
representados por una variable en la formula, la cual se interpreta como una variable
aleatoria discreta que puede tomar n valores, donde la probabilidad de la variable puede
ser calculada por la distribución de Poisson, debido a que dicha distribución tiene una
propiedad cuyas consecuencias son muy importantes para el Control de calidad.

Ejemplo:
Un proveedor suministra una gran cantidad del articulo CXB-12, y en el pasado se ha
observado que el 1 por 100 es defectuoso. Si se inspecciona una muestra de 100 unidades
de CXB-12, ¿Cuál es la probabilidad de que se encuentren exactamente 3 defectuosos?

10
 UNIVERSIDAD DE LA COSTA
DEPARTAMENTO DE CIENCIAS BÁSICAS
ÁREA DE LABORATORIO DE FÍSICA

FACULTAD DE INGENIERÍA

Bibliografía II:

 Hernán Darío Rendón (2013) - Fundamentos Estadísticos para el Control

Estadístico de Calidad – Universidad nacional de Colombia – Obtenido de:
file:///C:/Users/Ruiz%20Vargas/Downloads/FundaControl%20(1).pdf
 Francisco Márquez (2016) - Distribución de Poisson – FÍSICAYMATES –
Obtenido de: https://fisicaymates.com/distribucion-de-poisson/
 Antonio Sáez Castillo (2008) – Métodos estadísticos de la ingenieria –
Universidad de Jaén – Obtenido de:
http://www4.ujaen.es/~svilchez/metodos/Apuntes.pdf

11