UNIVERSIDAD NACIONAL DE SAN MARTÍN -TARAPOTO

FACULTAD DE INGENIERÍA AGROINDUSTRIAL

ESCUELA PROFESIONAL DE INGENIERÍA AGROINDUSTRIAL

TEMA: Distribución Normal, Distribución Binomial, Distribución

Poisson.

ASIGNATURA:

Administración de la Calidad

ESTUDIANTE:

Nuria Armantina Silva del Águila

Johnny Aarón Jimenez Delgado

Mary Marely Pérez Pérez

Almendra Natividad Rengifo

Jhair Hassller Damián Arévalo

DOCENTE:

Ing. Mg Epifanio Martínez Mena

FECHA:

Tarapoto, 23 de febrero del 2021

 TITULO: DISTRIBUCIÓN NORMAL, DISTRIBUCIÓN BINOMIAL,
DISTRIBUCIÓN POISSON
I. INTRODUCCIÓN
El control estadístico de procesos tuvo su inicio en los años 20's con el Dr.
Shewhart, pero no fue hasta la Segunda Guerra Mundial cuando comenzó a
aplicarse prácticamente en la industria. Su desarrollo comenzó en Estados
Unidos con la producción de artículos militares de bajo costo, buena calidad y
en gran volumen. Sin embargo, no fue precisamente en Estados Unidos en
donde tuvo su auge. Posterior a la Segunda Guerra Mundial, los
norteamericanos impusieron a la industria japonesa de telecomunicaciones
que aplicara el control estadístico de calidad debido a que las fallas en el
servicio telefónico eran excesivas. Japón utilizó las enseñanzas aprendidas en
la industria de telecomunicaciones y las aplicó a las demás industrias. En un
principio se realizaron diversos seminarios sobre control estadístico de
procesos enfocándolos principalmente a la alta dirección, esto es, a directores
y presidentes. El principal conferencista fue el Dr. Edwards Deming, el cual se
considera que introdujo el control de calidad en Japón. Posteriormente, se
creó una conciencia de participación total, es decir, se vieron involucrados
todos los niveles dentro de las empresas y no únicamente la alta dirección. En
México, el tema de "control total de calidad" y otras de sus acepciones se ha
puesto de moda en los últimos años. Lo anterior no se debe a la casualidad
sino a la necesidad de subsistencia en mercados abiertos y competitivos.
Anteriormente, los consumidores, ya sea de productos o servicios, mostraban
interés únicamente en el precio. Actualmente, se evalúa precio y calidad,
debiendo existir un equilibrio entre estas dos variables. Lo cierto es que la
calidad ha pasado de ser un lujo a ser una necesidad. Hasta hace unos años,
la documentación sobre el tema de "calidad" se basaba en industrias de
manufactura. Sin embargo, la cultura de calidad, y en particular el control
estadístico de procesos, se pueden aplicar a cualquier industria o sector
económico.
 II. OBJETIVOS
 Conocer y aprender los métodos estadísticos en el control de calidad,
principalmente la distribución Normal, Binomial y Poisson. Así mismo
aprender la aplicación de cada uno de ellos en la agroindustria,
mediante ejemplos.

III. REVISIÓN BIBLIOGRÁFICA

III.1. DISTRIBUCION NORMAL

La distribución normal fue presentada por primera vez por Abraham de
Moivre en un artículo del año 1733. Su resultado fue ampliado
por Laplace en su libro Teoría analítica de las probabilidades (1812),
usó la distribución normal en el análisis de errores de experimentos. El
nombre de "campana" viene de Esprit Jouffret que usó el término "bell
surface" (superficie campana) por primera vez en 1872 para
una distribución normal bivariante de componentes independientes. 
En estadística y probabilidad se llama distribución normal, distribución
de Gauss, distribución gaussiana o distribución de Laplace-Gauss, a
una de las distribuciones de probabilidad de variable continua que con
más frecuencia aparece en estadística y en la teoría de probabilidades.
La gráfica de su función de densidad tiene una forma acampanada y es
simétrica respecto de un determinado parámetro estadístico. Esta curva
se conoce como campana de Gauss y es el gráfico de una función
gaussiana.
La importancia de esta distribución radica en que permite modelar
numerosos fenómenos naturales, sociales y psicológicos. Mientras que
los mecanismos que subyacen a gran parte de este tipo de fenómenos
son desconocidos, por la enorme cantidad de variables incontrolables
que en ellos intervienen, el uso del modelo normal puede justificarse
asumiendo que cada observación se obtiene como la suma de unas
pocas causas independientes.
 Algunos ejemplos de variables asociadas a fenómenos naturales que
siguen el modelo de la normal son:
 Caracteres morfológicos de individuos como la estatura.
 Caracteres fisiológicos como el efecto de un fármaco.
 Caracteres sociológicos como el consumo de cierto producto por
un mismo grupo de individuos.
 Caracteres psicológicos como el cociente intelectual.
 Nivel de ruido en telecomunicaciones.
 Errores cometidos al medir ciertas magnitudes.

[ CITATION Anó14 \l 3082 ] La distribución normal tiene importantes

propiedades teóricas:

o Tiene una apariencia de forma de campana (y, por ende, es simétrica).

o Sus medidas de tendencia central (media, mediana y moda) son todas
idénticas.
o Su “50% central” es igual a 1.33 desviaciones estándar. Esto significa
que el rango intercuartil está contenido dentro de un intervalo de dos
tercios de una desviación estándar por debajo de la media y de dos
tercios de una desviación estándar por encima de la media.
o Su variable aleatoria asociada tiene un rango infinito (-∞ < X < ∞).
 La curva Normal usada con más frecuencia (por estar tabulada) es la
llamada Normal Estándar o N (0,1), se le llama así precisamente por

tener como parámetros: media cero ( μ=0 ), y desviación típica uno (

σ=1 ), se llama distribución estándar o normal tipificada y suele

designarse por la letra Z.
En esta distribución los valores de las probabilidades para los distintos
valores de Z, están tabulados, según muestra la tabla anterior, por lo
que para conocerlos debemos aprender a manejar las tablas

La tabla nos da las probabilidades p( z≤k ) para valores de k de 0

hasta 4, de centésima en centésima.
Las características más importantes de la curva normal son las
siguientes:
1. El dominio de la variable normal es todo 
2. f(x) es simétrica respecto a la media de la distribución 
3. El máximo de f(x) se alcanza en x = .
4. Tiene dos puntos de inflexión con abscisas:  - y  + .
5. El eje OX es una asíntota de f(x).

Tabla de áreas bajo la curva Normal estándar: N (0,1)

 El valor de k se busca así: unidades y décimas: columna de la

izquierda, las centésimas: en la fila superior.
p(Z ≤k)= p= Área coloreada
N(0,1)
k 0 1 2 3 4 5 6 7 8 9
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0,9987 0,9987 0,9987 0,9988 0,9988 0,9989 0,9989 0,9989 0,9990 0,9990
3,1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
3,5 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998 0,9998
3,6 0,9998 0,9998 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,7 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
3,8 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999
 3,9 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000 1,0000
Ejercicios:
III.2. DISTRIBUCIÓN BINOMIAL
La distribución binomial es una distribución de probabilidad discreta que
cuenta el número de éxitos en una secuencia de n ensayos
de Bernoulli independientes entre sí, con una probabilidad fija p de
ocurrencia del éxito entre los ensayos. Un experimento de Bernoulli se
caracteriza por ser dicotómico, esto es, solo dos resultados son
posibles. A uno de estos se denomina «éxito» y tiene una probabilidad
de ocurrencia p y al otro, «fracaso», con una probabilidad q = 1 - p. En la
distribución binomial el anterior experimento se repite n veces, de forma
independiente, y se trata de calcular la probabilidad de un determinado
número de éxitos. Para n = 1, la binomial se convierte, de hecho, en
una distribución de Bernoulli.
Un experimento sigue el modelo de la distribución binomial o de
Bernoulli si:
1. En cada prueba del experimento sólo son posibles dos resultados: el

suceso A (éxito) y su contrario .

2. La probabilidad del suceso A es constante, es decir, que no varía de
una prueba a otra. Se representa por p.
3. El resultado obtenido en cada prueba es independiente de los
resultados obtenidos anteriormente.
La distribución binomial se suele representar por B(n, p).
n = es el número de pruebas de que consta el experimento.

p = es la probabilidad de éxito.

La probabilidad de   es 1− p, y la representamos por q.

3.2.1. Variable aleatoria binomial

La variable aleatoria binomial , X, expresa el número de éxitos
obtenidos en cada prueba del experimento.
La variable binomial es una variable aleatoria discreta , sólo
puede tomar los valores 0, 1, 2, 3, 4,..., n suponiendo que se han
realizado n pruebas.
La función de probabilidad de la distribución binomial, también
denominada función de la distribución de Bernoulli, es :

n: es el número de pruebas.
k: es el número de éxitos.
p: es la probabilidad de éxito.
q: es la probabilidad de fracaso.
Ejercicios:
III.3. DISTRIBUCION POISSON
III.3.1. Historia
[ CITATION Poi98 \l 3082 ]La distribución de Poisson fue derivada por
SIMEON DENIS POISSON, quien en 1837 (citado en King, 1988)
publicó un trabajo de Investigación en el que se presentaba una nueva
distribución para el cálculo de probabilidades aplicado al ámbito penal.
Poisson encontró que cuando el tamaño de una muestra es grande y la
probabilidad de ocurrencia de un evento es pequeña, el valor esperado
m= np tiende a una constante.

III.3.2. Aplicaciones de la distribución de POISSON

Como ya se mencionó anteriormente, un conteo es el número de veces
en que cierto evento ocurre en una misma unidad de observación
durante un determinado periodo de tiempo o espacio. Ejemplos de tales
eventos o conteos pueden ser:
Conteos en el tiempo:
o Número de accidentes de tráfico en un tramo de cierta carretera
en un mes.
o Número del registro de partículas de una desintegración
radioactiva por segundo.
o Número de mutaciones en una población de animales durante 5
años.
Conteos en el espacio:
o Número de accidentes de tráfico que se originan en el cruce de 2
carreteras.
o Número de organismos infecciosos propagados en una placa
agárica.
o Número de células sanguíneas en una muestra de sangre (el
espacio es igual al volumen en centímetros cúbicos).
o Número de árboles infectados por hectárea en un bosque.
o Número de pasas en una masa por kg.
 La ley de los eventos raros establece que el número total de eventos
seguirá una distribución de Poisson si un evento puede ocurrir en
cualquier punto del tiempo o espacio bajo observación pero la
probabilidad de ocurrencia en un punto determinado es pequeña
(Cameron y Trivedi, 1998). De hecho, tal como indica King (1988)
habitualmente se asume que el mecanismo generador de datos que
produce recuento de eventos es, con independencia de su probabilidad
de ocurrencia, Poisson.

III.3.3. Importancia de la distribución de POISSON

La distribución Poisson es la distribución que corresponde a datos de
conteo en la misma forma en que la Distribución Normal lo es para los
datos continuos. En la distribución Poisson se tiene un único parámetro
que es la media m, el cual debe ser siempre positivo. De esta manera.
este único parámetro determina la distribución en su totalidad. Por otra
parte, en la Distribución Normal existen dos parámetros que son la
media y la varianza, las cuales caracterizan la distribución de
probabilidades.
A diferencia de la distribución multinomial, se asume una distribución de
Poisson cuando el tamaño de muestra n es aleatorio, lo cual lleva a
considerar que para todas las celdas de una tabla de contingencia, los
conteos de cada celda ( , 1,2,... nii l = ) son variables aleatorias
independientes con distribución de Poisson. Es decir, ningún total es
fijado previamente al estudio como sí ocurre en el caso de una
distribución multinomial. Cuando los conteos tienen un límite superior
muy pequeño (por ejemplo, el número de jugadores lesionados en una
escuadra de 24 es a lo más 24), los conteos de muestra a muestra
varían de acuerdo a lo que se conoce como una distribución binomial.
En cambio cuando el limite superior es muy grande comparado con los
valores observados del conteo (por ejemplo, el numero de lesiones
espinales en el Fútbol cada año), los conteos tienen una distribución
 Poisson. En todos los casos de una regresión de Poisson los valores de
la variable son discretos, digamos 0,1,2,… sin un límite superior;
sesgados hacia la izquierda e intrínsecamente heterocedásticos, es
decir con una varianza que se incrementa paralelamente con la media.
De esta manera, el modelo de regresión de Poisson tiene un importante
papel en el análisis de datos de conteos y sus principales características
son: a) proporciona una descripción satisfactoria de datos cuya varianza
es proporcional a su media, b) es deducido teóricamente de principios
elementales sin muchas restricciones y c) los eventos o conteos ocurren
independientemente y aleatoriamente en el tiempo, con una tasa de
ocurrencia constante , el modelo determina el número de eventos dentro
de un intervalo especificado.

III.3.4. La distribución de probabilidad POISSON

La distribución de Poisson es:

Esta distribución puede ser obtenida de la siguiente forma: Sea Y una

variable aleatoria con distribución Binomial con parámetro n y p, dada
por

modo que np = m permanezca constante, el límite de la distribución es

una Poisson con parámetro m dado en la distribución de Poisson
definida anteriormente.
La distribución de Poisson derivada es:
De esta
 manera haciendo q m = ln se tiene que:

Siendo así (III.3) una distribución de familia exponencial, entonces

III.3.5. Propiedades de un proceso de POISSON

o La probabilidad de observar exactamente un éxito en el segmento o
tamaño de muestra n es constante.
o El evento debe considerarse un suceso raro.
o El evento debe ser aleatorio e independiente de otros eventos “Si
repetimos el experimento n veces podemos obtener resultados para la
construcción de la distribución de Poisson.”
 El eje horizontal es el índice x. La función solamente está definida en
valores enteros de k. Las líneas que conectan los puntos son solo
guías para el ojo y no indican continuidad.

Ejercicios:
EJERCICIO 06. Una empresa procesadora de mermelada cuya calidad pasada ha
sido aproximadamente 2% de defectos, presenta un lote de 300 unidades de
producto. Se selecciona del lote una muestra aleatoria de 40 unidades ¿Cuál es la
probabilidad de unidades con defectos?

Solución:

Para encontrar los valores de `r` en la tabla, necesitamos calcular primero a `np`:

n = No. de intentos o pruebas = 40

n.p = 40 x 0.02 = 0.800

p = probabilidad de ocurrencia = 0.02

 Buscamos en la tabla de la distribución de Poisson que presenta la probabilidad

de encontrar „r’ (No. de defectos) en una muestra de „n’ unidades.

 Para el valor calculado de np = 0.800. Buscamos en la tabla y encontramos „r’

hasta un máximo de 5 defectos (el sexto igual a 1.000 no se considera); Con los
datos obtenidos construimos la siguiente tabla:

R (# de eventos) Probabilidad Probabilidades

acumulativas r individuales r
0 0.449 0.449
1 0.809 0.809-0.449=0.360
2 0.953 0.953-0.809=0.144
3 0.991 0.991-0.953=0.038
4 0.999 0.999-0.991=0.008
5 1 1.000-0.999=0.001

 En la otra tabla suministrada de la distribución de Poisson, los valores de

probabilidades individuales son directamente obtenidos sin tener que efectuar los
cálculos anteriores (debido a que se utilizan 4 cifras decimales, aparece valor para
r = 6).

 Según la tabla anterior:

 La probabilidad de encontrar 2 defectos = 0.144 (14.4%).

 La probabilidad de encontrar 4 defectos = 0.8 (80%).
1. Si una empresa cacaotera recibe en promedio 6 toneladas de cacao
por día, ¿cuáles son las probabilidades de que reciba, a) cuatro
toneladas un día dado, b) 10 toneladas en cualquiera de dos días
consecutivos?

Solución:
a)      x = variable que nos define el número de toneladas que llegan a
la empresa en un día cualquiera = 0, 1, 2, 3, ....., etc, etc.
 = 6 toneladas por día
 = 2.718
 

b)
x= variable que nos define el número de toneladas que llegan a la
empresa en dos días consecutivos = 0, 1, 2, 3, ......, etc., etc.
 = 6 x 2 = 12 toneladas en promedio que  llegan a la empresa en
dos días consecutivos
Nota:  siempre debe de estar en función de x siempre o dicho de
otra forma, debe “hablar” de lo mismo que x.
IV. PROPUESTAS DE MEJORA

Se identificó el problema, viendo en que parte más se concreta este

trabajo, y así asignarse tareas a cada integrante.

Fomentar motivación en cada integrante para realizar dichos trabajos

mediante diálogo, consejos.

Reconocer los logros de cada integrante; por su constante mejora en

cada dificultad presentada, ya que el empeño que muestran en cada
trabajo es satisfactorio, porque se basan de recursos externos como
son libros, revistas, etc.

V. CONCLUSIONES

Se concluyó que La distribución de Poisson es una distribución de

probabilidad discreta que expresa, a partir de una frecuencia de
ocurrencia media, la probabilidad de que ocurra un determinado
número de eventos durante cierto período de tiempo. Concretamente,
se especializa en la probabilidad de ocurrencia de sucesos con
probabilidades muy pequeñas, o sucesos "raros".

La distribución normal o de Gauss, distribución gaussiana o

distribución de Laplace-Gauss, a una de las distribuciones de
probabilidad de variable continua que con más frecuencia aparece en
estadística y en la teoría de probabilidades.

La distribución binomial o distribución binómica es una distribución de

probabilidad discreta que cuenta el número de éxitos en una
secuencia de n ensayos de Bernoulli independientes entre sí con una
probabilidad fija p de ocurrencia de éxito entre los ensayos.

VI. REFRENCIAS BIBLIOGRÁFICAS

Anónimo. (2014). Distribución Normal Estándar. Obtenido de
https://psicolearning.files.wordpress.com/2014/10/d-normal-
estc3a1ndar-apunte-alumnos.pdf

Poisson, S. D. (1998). Distribucion de poisson.

Crosby, Philip Quality managment and applied statistical process control.

A guide to process improvement. Impreso en Florida, Estados Unidos,
1988. Crosby Associates, Inc.