DISTRIBUCIONES DE PROBABILIDAD.

Toda distribución de probabilidad es generada por una variable aleatoria x, la que puede ser de
dos tipos:
DISTRIBUCIÓN  DE  PROBABILIDAD  DISCRETA(x):
Se le denomina variable porque puede tomar diferentes valores, aleatoria, porque el valor tomado
es totalmente al azar y discreta porque solo puede tomar valores enteros y un número finito de
ellos.
Características:
Es generada por una variable discreta (x).
xVariable que solo toma valores enteros
x0, 1, 2, 3, 4, 5, 6, 7, 8, ... etc,etc.
2. p(xi)0   Las probabilidades asociadas a cada uno de los valores que toma x deben ser mayores
o iguales a cero.
3.p(xi) = 1 La sumatoria de las probabilidades asociadas a cada uno de los valores que toma x
debe ser igual a 1.
Ejemplos:
x Variable que nos define el número de burbujas por envase de vidrio que son generadas en un
proceso dado.
x0, 1, 2, 3, 4, 5, etc, etc. burbujas por envase
xVariable que nos define el número de productos defectuosos en un lote de 25 productos.
x0, 1, 2, 3,....,25 productos defectuosos en el lote
xVariable que nos define el número de alumnos aprobados en la materia de probabilidad en un
grupo de 40 alumnos.
x0, 1, 2, 3, 4, 5,....,40 alumnos aprobados en probabilidad
Con los ejemplos anteriores nos damos cuenta claramente que los valores de la variable x siempre
serán enteros, nunca fraccionarios. 
VARIABLE ALEATORIA CONTINUA (X):
Se le denomina variable porque puede tomar diferentes valores, aleatoria, porque los valores que
toma son totalmente al azar y continua porque puede tomar tanto valores enteros como
fraccionarios y un número infinito de ellos.
Características:
Es generada por una variable continua (x).
x   Es una variable que puede tomar tanto valores enteros como fraccionarios.
x   1.0, 3.7, 4.0, 4.6, 7.9, 8.0, 8.3, 11.5, .....,
f(x)0    Las probabilidades asociadas a cada uno de los valores que toma x deben ser mayores o
iguales a cero. Dicho de otra forma, la función de densidad de probabilidad deberá tomar solo
valores mayores o iguales a cero. La función de densidad de probabilidad sólo puede estar definida
en los cuadrantes I y II.
3.    La sumatoria de las probabilidades asociadas a cada uno de los valores que toma x debe ser
igual a 1. El área definida bajo la función de densidad de probabilidad  deberá ser de 1.
Ejemplos:
xVariable que nos define el diámetro de un engrane en pulgadas
x5.0”, 4.99, 4.98, 5.0, 5.01, 5.0, 4.96
xVariable que nos define la longitud de un cable o circuito utilizado en un arnés de auto
x20.5 cm, 20.1, 20.0, 19.8, 20,6, 20.0, 20.0
 
xVariable que nos define la concentración en gramos de plata de algunas muestras de mineral
x14.8gramos, 12.0, 10.0, 42.3, 15.0, 18.4, 19.0, 21.0, 20.8
Como se observa en los ejemplos anteriores, una variable continua puede tomar cualquier valor,
entero o fraccionario, una forma de distinguir cuando se trata de una variable continua es que esta
variable nos permite medirla o evaluarla, mientras que una variable discreta no es medible, es una
variable de tipo atributo, cuando se inspecciona un producto este puede ser defectuoso o no,
blanco o negro, cumple con las especificaciones o no cumple, etc, etc.
 
DISTRIBUCIÓN  DE  POISSON.

La Distribución de Poisson se llama así en honor a Simeón Dennis Poisson (1781-1840), francés que
desarrolló esta distribución basándose en estudios efectuados en la última parte de su vida.
Cálculo de probabilidades mediante la distribución de Poisson
La distribución de Poisson, según hemos señalado, se refiere a ciertos procesos que pueden ser
descritos con una variable aleatoria discreta. La letra X suele representar esa variable y puede
además asumir valores enteros (0,1,2,3 etc..) . Utilizamos la letra X mayúscula para representar la
variable aleatoria y la x minúscula para designar un valor específico que puede asumir la X
mayúscula. La probabilidad de exactamente x ocurrencias en una distribución de Poisson se
calcula mediante la fórmula:
P(x) = l x * e-l / x!
l x = Lambda
(número medio de ocurrencias por intervalo de tiempo) elevada a la potencia x.
e-l = e= 2.71828 elevado a la potencia de lambda negativa.
x! = x factorial.
Características:
En este tipo de experimentos los éxitos buscados son expresados por unidad de área, tiempo,
pieza, etc, etc,:
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc, etc.
- # de bacterias por cm2 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.
Para determinar la probabilidad de que ocurran x éxitos por unidad de tiempo, área, o producto, la
fórmula a utilizar sería:
Dónde:
p(x, ) = probabilidad de que ocurran x éxitos, cuando el número promedio de ocurrencia de ellos
es 
 = media o promedio de éxitos por unidad de tiempo, área o producto
 = 2.718
x = variable que nos denota el número de éxitos que se desea que ocurra
Hay que hacer notar que en esta distribución el número de éxitos que ocurren por unidad de
tiempo, área o producto es totalmente al azar y que cada intervalo de tiempo es independiente de
otro intervalo dado, así como cada área es independiente de otra área dada y cada producto es
independiente de otro producto dado.
LAS DISTRIBUCIONES DE PROBABILIDAD DISCRETA 
Una distribución discreta describe la probabilidad de ocurrencia de cada valor de una variable
aleatoria discreta. Una variable aleatoria discreta es una variable aleatoria que tiene valores
contables, tales como una lista de enteros no negativos.
Con una distribución de probabilidad discreta, cada valor posible de la variable aleatoria discreta
puede estar asociado con una probabilidad distinta de cero. Por lo tanto, una distribución de
probabilidad discreta suele representarse en forma tabular.
Son una función que asigna a cada elemento de X(S)={x1,x2,…,xi,…}, donde X es una variable
aleatoria discreta dada y S es su espacio muestral, la probabilidad de que dicho suceso ocurra. Esta
función f de X(S) definida como f(xi)=P(X=xi) a veces es llamada función masa de probabilidad.
Esta masa de probabilidades es representada generalmente en forma de tabla. Como X es una
variable aleatoria discreta, X(S) cuenta con un número finito de sucesos o infinito numerable.
Entre las distribuciones de probabilidad discreta más comunes tenemos la distribución uniforme,
la distribución binomial y la distribución de Poisson
LA DISTRIBUCIÓN DE POISSON
Es discreta (como la binomial) pues los valores que puede tomar la variable aleatoria son números
naturales. Aunque en la distribución de Poisson los casos posibles en teoría son infinitos
(numerable).
La distribución de Poisson, según hemos señalado, se refiere a ciertos procesos que pueden ser
descritos con una variable aleatoria discreta. La letra X suele representar esa variable y puede
además asumir valores enteros (0,1,2,3 etc...) . Utilizamos la letra X mayúscula para representar la
variable aleatoria y la x minúscula para designar un valor específico que puede asumir la X
mayúscula. La probabilidad de exactamente x ocurrencias en una distribución de Poisson se
calcula mediante la fórmula:
P(x) = l x * e-l / x!
l x = Lambda
(número medio de ocurrencias por intervalo de tiempo) elevada a la potencia x.
e-l = e= 2.71828 elevado a la potencia de lambda negativa.
x! = x factorial.
"Encontramos esta distribución en situaciones en als que queremos contar el número de
ocurrencias de un fenómeno en un intervalo de tiempo o espacio. Suponemos que se cumplen las
siguientes condiciones:
(1) La probabilidad de que el fenómeno no ocurra en un intervalo de longitud 0 es 1.
(2) El número de ocurrencias en dos intervalos que no se solapan es independiente.
(3) La probabilidad de que se produzcan un número dado de ocurrencias en un intervalo depende
de la longitud del intervalo pero no de su localización.
(4) Para intervalos pequeños, la probabilidad de que se produzca exactamente una ocurrencia se
puede considerar proporcional a la longitud del intervalo.
(5) Para intervalos pequeños, la probabilidad de que se produzca más de una ocurrencia tiende a
cero más rápido que la longitud del intervalo.
Se ha comprobado que estas asunciones son razonables en muchas situaciones diversas como:
1. Ciertos estudios de patrones de tráfico del número de coches que pasan por un determinado
punto en un intervalo de tiempo de longitud t.
2. El número de llamadas de teléfono a una centralita en un intervalo de tiempo t.
3. El número de fallos de un sistema complicado en un intervalo de tiempo t.
4. El número de productos de un determinado tipo vendidos en un periodo de tiempo t.
5. El número de suicidios en un intervalo de tiempo t.
6. El número de bacterias en un determinado volumen t de líquido.
7. El número de accidentes laborales en un intervalo de tiempo t."
[Pfeiffer and Schum, pp. 198-200]