2.3.

1 Bernoulli

Ecuaciones de flujo de masa y de energía

Para clasificar a los materiales que se encuentran en la naturaleza se pueden utilizar
diversos criterios. Desde el punto de vista de la ingeniería, uno de los más interesantes
lo constituye aquel que considera el comportamiento de los elementos frente a
situaciones especiales. De acuerdo a ello se definen los estados básicos de sólido,
plástico, fluidos y plasma. De aquí la de definición que nos interesa es la de fluidos, la
cual se clasifica en líquidos y gases.
La clasificación de fluidos mencionada depende fundamentalmente del estado y no del
material en sí. De esta forma lo que define al fluido es su comportamiento y no su
composición. Entre las propiedades que diferencian el estado de la materia, la que
permite una mejor clasificaron sobre el punto de vista mecánico es la que dice la
relación con la forma en que reacciona el material cuando se le aplica una fuerza.
Los fluidos reaccionan de una manera característica a las fuerzas. Si se compara lo
que ocurre a un sólido y a un fluido cuando son sometidos a un esfuerzo de corte o
tangencial se tienen reacciones características que se pueden verificar
experimentalmente y que permiten diferenciarlos.
Con base al comportamiento que desarrollan los fluidos se definen de la siguiente
manera: "Fluido es una sustancia que se deforma continuamente, o sea se escurre,
cuando está sometido a un esfuerzo de corte o tangencial". De esta definición se
desprende que un fluido en reposo no soporta ningún esfuerzo de corte.
Un fluido es pues, una sustancia o medio continuo que se deforma continuamente en
el tiempo ante la aplicación de una solicitación o tensión tangencial sin importar la
magnitud de ésta.
La parte de la física que se ocupa de la acción de los fluidos en reposo o en
movimiento, así como de las aplicaciones y mecanismos de ingeniería que utilizan
fluidos se llama Mecánica de fluidos. La mecánica de fluidos es fundamental en
campos tan diversos como la aeronáutica, la ingeniería química, civil e industrial, la
meteorología, las construcciones navales y la oceanografía.
La mecánica de fluidos puede subdividirse en dos campos principales: la estática de
fluidos, o hidrostática, que se ocupa de los fluidos en reposo, y la dinámica de fluidos,
que trata de los fluidos en movimiento. El término de hidrodinámica se aplica al flujo de
líquidos o al flujo de los gases a baja velocidad, en el que puede considerarse que el
gas es esencialmente incompresible. La aerodinámica, o dinámica de gases, se ocupa
del comportamiento de los gases cuando los cambios de velocidad y presión son lo
suficientemente grandes para que sea necesario incluir los efectos de la
compresibilidad.
Entre las aplicaciones de la mecánica de fluidos están la propulsión a chorro, las
turbinas, los compresores y las bombas. La hidráulica estudia la utilización en
ingeniería de la presión del agua o del aceite.
Los principios básicos del movimiento de los fluidos se desarrollaron lentamente a
través de los siglos XVI al XIX como resultado del trabajo de muchos científicos como
Da Vinci, Galileo, Torricelli, Pascal, Bernoulli, Euler, Navier, Stokes, Kelvin, Reynolds y
otros que hicieron interesantes aportes teóricos a lo que se denomina hidrodinámica.
También en el campo de hidráulica experimental hicieron importantes contribuciones
Chezy, Ventura, Hagen, Manning, Pouseuille, Darcy, Froude y otros, fundamentalmente
durante el siglo XIX. Hacia finales del siglo XIX la hidrodinámica y la hidráulica
experimental presentaban una cierta rivalidad. Por una parte, la hidrodinámica clásica
aplicaba con rigurosidad principios matemáticos para modelar el comportamiento de los
fluidos, para lo cual debía recurrir a simplificar las propiedades de estos. Así se hablaba
de un fluido real. Esto hizo que los resultados no fueran siempre aplicables a casos
reales. Por otra parte, la hidráulica experimental acumulaba antecedentes sobre el
comportamiento de fluidos reales sin dar importancia a la formulación de una teoría
rigurosa.
La Mecánica de Fluidos moderna aparece a principios del siglo XX como un esfuerzo
para unir estas dos tendencias: experimental y científica. Generalmente se reconoce
como fundador de la mecánica de fluidos modela al alemán L. Prandtl (1875-1953).
Esta es una ciencia relativamente joven a la cual aun hoy se están haciendo
importantes contribuciones.
Los fluidos, como todos los materiales, tienen propiedades físicas que permiten
caracterizar y cuantificar su comportamiento así como distinguirlos de otros. Algunas de
estas propiedades son exclusivas de los fluidos y otras son típicas de todas las
sustancias. Características como la viscosidad, tensión superficial y presión de vapor
solo se pueden definir en los líquidos y gasas. Sin embargo la densidad, el peso
específico y la densidad relativa o (gravedad específica) son atributos de cualquier
materia.
Balance de energía
Gran número de procesos se llevan a cabo mediante sistemas en los que la materia
fluye, pero hay ejemplos importantes, como
otros

en reactores por lotes, autoclaves y

semejantes, en los que no hay flujo de masa. En
esos sistemas:

O también:
La ecuación anterior recibe el nombre de primera Ley de la termodinámica.

En las convenciones primitivas, Q (calor) era positivo si se agregaba al sistema y ζ

(trabajo) era negativo si se añadía al sistema. El trabajo y el calor no son funciones de
estado, sino que dependen del paso seguido. La energía interna U depende del estado
inicial y del estado final. En un proceso no interesa el valor absoluto de la energía
interna U, sino el cambio de la misma, ΔU.

Relacionada con la energía interna de un sistema está la energía llamada entalpía. Es

también una función de estado que es muy útil al tratarse proceso a presión constante.

H=U+PV

Si se trabaja a presión constante

ΔH = Qp= CpΔT

O sea, el cambio de entalpia es igual al calor absorbido sólo cuando el proceso se lleva
a cabo a presión constante. En un proceso a presión constante, en el cual se
desprende calor, el ΔH es negativo; eso significa que el estado final del sistema tiene
menor energía que el estado final. Si el ΔH es negativo, el proceso es exotérmico; si es
positivo es endotérmico.

Balance de energía en sistemas abiertos

En estos sistemas debemos tomar en cuenta las transferencias de energía a través de

los límites del sistema que no están asociadas con la masa, pero también deben
considerarse las energías asociadas con la masa que fluye por el sistema como son las
energías cinéticas, potenciales, de presión, etc.

La ecuación general es:

Si aplicamos la ecuación anterior al sistema de flujo siguiente tendremos que:

En donde:

Q = calor neto=calor entrante-calor saliente. Se usa el término de calor para referirse a

la energía en tránsito, de un cuerpo a otro, debido a una diferencia de temperatura
entre dos cuerpos. Se acostumbra decir que cuando el sistema recibe calor de los
alrededores el signo del calor es positivo y en caso contrario negativo.

= trabajo neto = trabajo entrante-trabajo saliente. (joules). El trabajo es la energía

mecánica que se introduce a un sistema por medio de una bomba, un compresor o un
ventilador, o que se elimina de un sistema por medio de una turbina. Cuando el sistema
recibe trabajo de los alrededores el signo del trabajo es negativo; en caso contrario, el
signo es positivo.

EP, energía potencial; Es la energía que tiene un cuerpo en virtud de la posición que
guarda.

EC, energía cinética. Es la energía debida a la velocidad

con la que se desplaza un cuerpo.

EPe, energía de presión, es la parte de la energía interna de un cuerpo que puede

hacer trabajo o también aquella energía que tiene un fluido debido a la presión a que se
encuentra.

U energía interna. Es la suma de las energías de toda la masa de un sistema; en

general es función de la temperatura, la presión y el estado físico del sistema.

M es la masa entrante o saliente del sistema. En general en ingeniería química en vez

de emplear masa se emplea el concepto de flujo másico (kg /s), flujo molar (kg mol /s) o
caudal (m3/s).

El término representa la acumulación dentro del sistema en donde:

densidad, V volumen, tiempo
En el caso en de que M1 (kilogramos / segundo) sea igual a M2 tendremos que:

En donde P es la potencia o sea (Joules/seg o Watts)

Si no existe acumulación dentro del sistema (régimen permanente) tendremos que:

EP, energía potencial; EC, energía cinética; EPe, energía de presión; U energía interna,
M masa, densidad, V volumen, tiempo

Sabiendo que H=U +P V y que PV = EPe

Entonces

En donde la variación de la energía potencial está dada por:

La variación de la energía cinética es:

Y el cambio de entalpia es

En la ecuación anterior hay términos que son muy grandes comparados con otros. En
general el término de calor, y el de entalpía son mucho mayores que los de energía
cinética, potencial y de presión.

Ejemplo. - 1

Se tiene un kg de agua a 15 ° C ¿Cuánta energía se necesita transferir para que ese

kilogramo aumente su temperatura 1 ° C?, ¿Qué cantidad de energía cinética se
debería dar?, ¿Qué cantidad de energía potencial sería equivalente?, ¿cuál de energía
de presión?, ¿cuál sería la velocidad que debería darse al agua para que alcanzara esa
energía cinética?,¿a qué altura debería elevarse el agua, ¿a qué presión se debería
sujetar?

1.- Planteamiento

De acuerdo con la termodinámica, el calor que debería suministrarse al agua es de

1kcal.Esa misma energía podría transmitirse en forma de cinética, potencial o de
presión.

2.-Cálculos.

2.1.- Energía cinética.

La energía cinética que deberíamos suministrar al agua para que recibiera una energía
igual a la que se le suministra al llevar la temperatura del agua 1 ° c es:
Por lo tanto ; es decir la energía que recibe el
agua al
calentarse un grado centígrado es equivalente a la que recibiría si se la llevara de cero
a 91.48 m /s o 330 km /h. 2.2.- Energía potencial

ΔZ=

Por lo tanto, la energía que recibe el agua al calentarse un grado centígrado es

equivalente a la que recibiría el agua si se elevara 186 m.

2.3.- Energía de presión

Epe = 4185 = 1 kg

Por lo tanto, la energía que recibe el agua al calentarse un grado centígrado es

equivalente a la que recibiría si se la comprimiera 41.4 atm.

3.- Resultados

Para suministrar la misma energía que recibiría un quilogramo de agua si se la

calentara de 15 a 16 ° C se debería impulsar el agua a 91.48 m/s, elevarla a 186 m o
comprimirla a 41.4 atm.

El ejemplo anterior nos indica claramente que si se quiere medir con precisión el efecto
de las energías mecánicas, se debe eliminar de la ecuación los términos de calor y de
entalpía. Esto se logra si los balances se efectúan a temperatura constante y si
transferencia de calor.

En los casos en que el sistema no sea isotérmico, se puede hacer el balance a una
temperatura promedio.

Resumiendo, un tipo de balance de energía más útil para

flujo de fluidos es el que considera sólo los efectos de las
energías mecánicas. Al hacer un balance de energía
mecánica la parte que involucra el cambio de entalpia y el
del calor se eliminan (esto se puede hacer si se
considera que no hay entrada de calor y si el sistema
opera en forma isotérmica).

El razonamiento anterior fue el que dio origen a lo que se

conoce como ecuación o teorema de Bernoulli.

El teorema de Bernoulli

A la muerte de Newton, en plena Ilustración, tres brillantes

científicos comenzaron a dominar, extender y perfeccionar las herramientas analíticas
nuevas y al mismo tiempo explorar su utilidad en el campo de los fluidos. Daniel
Bernoulli (17001782) y Leonard Euler (1707-1783), formados en las matemáticas por
Johann Bernoulli (1667-1748), padre de Daniel Bernoulli, elaboraron una serie de
trabajos que junto con los desarrollados por Jean Le Rond d´Alembert (1717-1783)
culminan la formulación explícita de los principios generales y las ecuaciones básicas
de la mecánica de los fluidos. Sin embargo, a pesar de los conocimientos alcanzados
durante el siglo XVIII, los estudiosos se dividieron en dos grupos que se desenvolvieron
de forma separada, unos los que fundaron la hidrodinámica que consistía en el estudio
teórico y matemático de los fluidos perfectos y los que se dedicaron a la hidráulica que
fue utilizada para describir el comportamiento real de los fluidos. La falta de
comunicación entre los dos grupos de científicos retrasó el desenvolvimiento de la
mecánica de los fluidos.

Las contribuciones más importantes de Daniel Bernoulli aparecieron en su libro,

Hydrodynamica publicado en 1738. En dicho trabajo Daniel Bernoulli indicaba el uso de
los manómetros, la teoría cinética de los gases. En su ecuación Bernoulli solo
consideraba las energías potenciales, cinéticas y de presión y las relaciones que se
ejercían entre estas. En ese trabajo se aplica el principio de la conservación de la
energía. La versión moderna del teorema de Bernoulli se debe a Euler que estableció
que la suma de las energías debe ser constante.
Bernoulli, Daniel (1700 - 1782).
Científico holandés que descubrió los principios básicos del comportamiento de los
fluidos. Era hijo de Jean Bernoulli y sobrino de Jacques Bernoulli, dos investigadores
que hicieron aportaciones importantes al primitivo desarrollo del cálculo.
Desde muy pronto manifestó su interés por las matemáticas. Aunque consiguió un título
médico en 1721, fue profesor de matemáticas en la Academia Rusa de San
Petersburgo en 1725. Posteriormente dio clases de filosofía experimental, anatomía y
botánica en las universidades de Groningen y Basilea, en Suiza.
Bernoulli promovió en Europa la aceptación de la nueva física del científico inglés Isaac
Newton. Estudió el flujo de los fluidos y formuló el teorema según el cual la presión
ejercida por un fluido es inversamente proporcional a su velocidad de flujo. Utilizó
conceptos atomísticos para intentar desarrollar la primera teoría cinética de los gases,
explicando su comportamiento bajo condiciones de presión y temperatura cambiantes
en términos de probabilidad. Sin embargo, este trabajo no tuvo gran repercusión en su
época. Bernoulli murió el 17 de marzo de 1782 en Basilea.

En general, el teorema de Bernoulli implica una relación entre los efectos de la presión,
la velocidad y la gravedad y es una forma particular de la ecuación general de la
conservación de la energía. Los efectos que se derivan a partir de la ecuación de
Bernoulli eran conocidos por los experimentales antes de que Daniel Bernoulli
formulase su ecuación, de hecho, el reto estaba en encontrar la ley que diese cuenta
de todos estos acontecimientos. En su obra Hydrodynamica encontró la ley que
explicaba los fenómenos a partir de la conservación de la energía (hay que hacer notar
la similitud entre la forma de la ley de Bernoulli y la conservación de la energía).

Posteriormente Euler dedujo la ecuación para un líquido sin viscosidad con toda
generalidad (con la única suposición de que la viscosidad era despreciable), de la que
surge naturalmente la ecuación de Bernoulli cuando se considera el caso estacionario
sometido al campo gravitatorio.

El principio de Bernoulli, también denominado ecuación de Bernoulli o Trinomio de

Bernoulli, describe el comportamiento de un fluido moviéndose a lo largo de una línea
de corriente. Fue expuesto por Daniel Bernoulli en su obra Hidrodinámica (1738) y
expresa que en un fluido ideal (sin viscosidad ni rozamiento) en régimen de circulación
por un conducto cerrado, la energía que posee el fluido permanece constante a lo largo
de su recorrido. La energía de un fluido en cualquier momento consta de tres
componentes:

1. Cinética: es la energía debida a la velocidad que posea el fluido.

2. Potencial gravitacional: es la energía debido a la altitud que un fluido posea.
3. Energía de flujo: es la energía que un fluido contiene debido a la presión que
posee.

Así el principio de Bernoulli puede ser visto como otra forma de la ley de la
conservación de la energía, es decir, en una línea de corriente cada tipo de energía
puede subir o disminuir en virtud de la disminución o el aumento de las otras dos. Si la
ecuación de Bernoulli es un balance de energía mecánica a temperatura constante
entonces:

En forma expandida quedaría como:

/M

Esta ecuación permite explicar muchos fenómenos.

En esta ecuación no se presentan los efectos de la fricción, ya que en ese entonces

con los instrumentos que se tenían a la mano era imposible apreciarla y cuantificarla.
En la ecuación anterior todos los términos tienen las unidades de energía por unidad de
masa J /kg, kg fuerza m / kg más, ft lb fuerza / lb más, etc.

Ejemplo. - 2

Calcule despreciando las pérdidas por fricción la potencia que desarrolla la turbina
hidráulica de la figura siguiente:

1.- Planteamiento 1.1.-

Bernoulli.
2.-Cálculos.

2.1.- Velocidades y energía cinética.

2.2.- Energía potencial

2.3.-Energía de presión

2.4.- Bernoulli

El signo positivo indica que se está produciendo trabajo.

2.5.-Potencia

=956 HP

3.- Resultado
La potencia será de 956 H.P.

Fricción

La fricción se presenta cuando se trata con fluidos reales, ya que al desplazarse estos
se producen fuerzas friccionantes entre las capas del fluido que representan pérdidas
de energía. También se presentan pérdidas de fricción por el rozamiento que sufre el
fluido al deslizarse por las diferentes partes de un conducto.

El término que representa las pérdidas de fricción es: , el cual se debe colocar
en la ecuación de Bernoulli para evaluar las pérdidas totales.

En general los términos de energía potencial, cinética y de presión son fáciles de

evaluar. El problema mayor reside en la evaluación de las pérdidas por fricción. La
evaluación de ese término requirió el esfuerzo de muchos investigadores e ingenieros
durante el siglo XIX y XX.

Ejemplo 3

¿Cuál es la pérdida de fricción debida al flujo entre el punto 1 y el 2 en el sistema

mostrado? La densidad relativa del fluido es de 1.2.

1.- Planteamiento 1.1.-

Bernoulli.
En este caso u1=u2 y no hay trabajo, por lo tanto

2.- Cálculos

2.1.- Energía de presión

2.2.- Energía potencial

2.3.- Pérdidas por fricción

3.- Resultado

Las pérdidas por fricción son equivalentes a 138.97 J / kg.

2.3.2 La distribución binomial

Resumen de las ideas clave

En este artículo vamos a presentar las características básicas de la distribución
binomial y sus posibles aplicaciones prácticas con la finalidad de suministrar una
especie de catálogo al que acudir para determinar un modelo de probabilidad para
describir el comportamiento de una variable real.

Definición y características de la distribución binomial

 Punto de partida
La distribución binomial fue desarrollada por Jakob Bernoulli (Suiza,1654‐1705) y es la
principal distribución de probabilidad discreta para variables dicotómicas, es decir, que
sólo pueden tomar dos posibles resultados. Bernoulli definió el proceso conocido por su
nombre. Dicho proceso, consiste en realizar un experimento aleatorio una sóla vez y
observar si cierto suceso ocurre o no, siendo p la probabilidad de que ocurra (éxito) y
q=1‐p de que no ocurra (fracaso) , por lo que la variable sólo puede tomar dos posibles
valores, el 1 si ocurre y el 0 sino sucede.
Las distribución binomial es una generalización de la distribución de Bernouilli, cuando
en lugar de realizar el experimento aleatorio una sola vez, se realiza n, siendo cada
ensayo independiente del anterior.

La distribución binomial viene definida como sigue:

9 Sea una población de tamaño ∞.
9 Sea una muestra de tamaño n (número de repeticiones del experimento).
9 Los n experimentos realizados son independientes.
9 Cada ensayo produce uno de los dos únicos posibles resultados, a los que por
comodidad de

nomenclatura, les llamaremos acierto (A) y su complementario Fallo (F o A ).

9 Sea A un suceso que tiene una probabilidad p de suceder y en consecuencia,
su complementario tendrá una probabilidad 1‐p de suceder.
9 X: número de individuos de la muestra que cumplen A.
9 El conjunto de posibles valores de A es, E = {0,1,2,3, 4…}

∼ Al nacer puede ser varón o hembra.

Algunos ejemplos típicos de la distribución binomial son:

∼ Un equipo de baloncesto puede ganar o perder.

∼ En un test psicotécnico hay peguntas de verdadero o falso, es decir sólo

∼ Un tratamiento médico, como por ejemplo la vacuna de la gripe A, puede

hay dos alternativas.

ser efectivo o inefectivo.

∼ El objetivo de ventas al año de coches en un concesionario se puede o

no lograr.

4.2. Características
Se dice que X sigue una distribución Binomial de parámetros n y p, que se representa
con la siguiente notación:
X ~ B (n, p)

⎛n⎞ x *(1− p)n x− F X( = x)

Su función de probabilidad viene definida por:

=⎜⎜⎝x⎟⎟⎠* p

Ecuación 1. Función de Probabilidad de la distribución Binomial.

Donde, n, debe ser un entero positivo y p debe pertenecer al intervalo 0 ≤ p ≤ 1, por ser
una proporción.
Su media y su varianza, vendrán dadas por las siguientes expresiones:
E( X )= n* p
Ecuación 2.Esperanza de la distribución Binomial.
 σ2 = n* p*(1− p)
Ecuación 3. Varianza de la distribución Binomial

Una distribución de probabilidad binomial es una distribución teórica, que se puede

calcular mediante el uso de la fórmula de la función de probabilidad. Sin embargo, los
cálculos pueden ser muy tediosos, especialmente cuando nos piden probabilidades
acumuladas, ya que será necesario aplicar la fórmula repetidamente.

Por tal motivo existen tablas en las que se pueden consultar las probabilidades de un
determinado número de éxitos para varios valores de n y de p, pero únicamente para
valores máximos de n = 25. Para cualquier n superior hemos de utilizar inevitablemente
la fórmula de la función de probabilidad. Se puede obtener más información al
respecto en el recurso poli‐media, referido en bibliografía. Sin embargo, el cálculo
puede ser todavía tedioso.

Para solventar el problema del cálculo de probabilidades de la distribución binomial

para n elevados, y siempre que el producto n*p*(1‐p) es elevado, del orden de 9 o
superior, las probabilidades correspondientes a una variable con distribución binomial,
pueden también aproximarse, usando las tablas de la distribución normal, por el
Teorema Central del Límite, la suma de variables aleatorias independientes, tiende a
distribuirse normalmente a medida que aumenta el número de sumandos.

En caso de que podamos aproximar, debemos tener en cuenta que estamos pasando
de una variable discreta (binomial) a una continua (normal), y por tanto son
distribuciones diferentes. El “precio” que hay que pagar por pasar de una a otra se
denomina “corrección por continuidad” y consiste en hacer determinados ajustes para
que la aproximación realizada sea lo más precisa posible. En las distribuciones
continuas, la probabilidad de obtener un valor exacto es cero, como se vio en temas
precedentes y en consecuencia, la corrección por continuidad

Consiste en tomar un pequeño intervalo de longitud 1 alrededor del determinado punto

k (aumentar y disminuir un poco el valor solicitado creando en lugar de una valor único
un intervalo).

La distribución binomial se puede expresar de forma gráfica, y que en realidad consiste

en un diagrama de barras, similar a los obtenidos en la función de probabilidad pero
que van a ir variando su forma en función de los valores de n y de p al modificarse las
probabilidades de los distintos posibles valores de P(X=x).

Por ejemplo, para p=0,2 (azul), y p=0,3 (rojo) y distintos valores de n:

Imagen 1. Gráfica de una distribución binomial(n, 0,3) en rojo y (n, 0,2) en azul, para n
= 40, 50,60, 70 ,80, 90 y 100.

En la siguiente figura, puede apreciarse como al incrementar n, se ve que los curvas de

frecuencias se aproximan a una forma en forma de campana, con la típica forma de
campana de Gauss, pudiendo a deducirse, que conforme aumenta n, las variables
discretas que siguen una distribución binomial tiende a aproximarse a la distribución
normal.

Imagen 2. La figura es la gráfica de una distribución binomial(n, 0.5) para n = 20, 40,
60, 80, 100.
Puede ver la aproximación a la distribución normal
Fuente: http://www.criced.tsukuba.ac.jp/grapes/es/image/nikou.html

Veamos algunos ejemplos:

• Ejemplo 1.
Un cazador tiene una probabilidad de acertar cada disparo que realiza con su
escopeta (suceso A) del 40
%. ¿Qué probabilidad tiene de derribar a su presa si puede efectuar tres disparos
consecutivos?

Sea el suceso A: derriba a la presa en el disparo.

La probabilidad de A, sería p=0,4.
Sea la variable X ~ número de disparos acertados ~ B (n=3, p=0,4).

P (derribarla) P( derribarla en el primer =disparo) P( derribarla en el segundo

disparo) + +

P( derribarla en el tercer disparo)

Sin embargo, al ser sucesos independientes, podemos calcularlo de manera más
sencilla, mediante el complementario:
P (derribarla) 1- P(no derribarla) 1-(P(no derribarla en el primer = =
disparo) *
 P(no derribarla en el segundo disparo) * P( no derribarla en el tercer
disparo)

P (derribarla) 1- (0,6)= 3 = −1 0,216 = 0,784

• Ejemplo 2.
¿Qué probabilidad hay de obtener al menos un seis al realizar seis lanzamientos
consecutivos de un dado?
Sea el suceso A: obtener un seis al lanzar un dado
La probabilidad de A, sería p= 1/6.
Sea la variable X ~ número de seises obtenidos en los seis lanzamientos ~ B (n=6,
p=1/6).

⎡⎛6⎞ 1/ 6 )6 0− ⎤⎥= 0,665 P( X ≥ 1) =

−1 P( X = 0 ) = −1 ⎢⎣⎜⎜⎝0⎟⎟⎠*(1/ 6 ) *(1− ⎦
0

• Ejemplo 3.
Con el propósito de verificar si se aceptan los lotes de piezas de que se reciben en una
determinada fábrica, se lleva a cabo un plan de control consistente en seleccionar 10
artículos al azar de cada lote y determinar el número de piezas defectuosas. Un lote se
rechaza si se encuentran dos o más piezas defectuosas. ¿Cuál es la probabilidad de
aceptar lotes con un 5 % de piezas defectuosas?
Sea el suceso A: ser pieza defectuosa.
La probabilidad de A, será p= 0,05 al ser la proporción de defectuosos de lote del 5%.
Sea la variable X ~ número piezas defectuosas en el lote ~ B (n=10, p=0,05).
Sea el coeficiente de de aceptación, a (o c), a = 2.
P(aceptar)= P( X < 2) = P( X =0)+ P( X =1)

⎛10⎞ 0 0,05)10 +⎛⎜⎜101 ⎞⎟⎟⎠*(0,05) *(11 −0,05)9

P(aceptar ) =⎜⎜0 ⎟⎟⎠*(0,05) *(1− ⎝
⎝
P(aceptar ) = 0,599 +0,315 = 0,914

2.3.3 La distribución Poisson

La distribución Poisson es, junto con la distribución binomial, una de las
más importantes distribución de probabilidad para variables discretas, es
decir, sólo puede tomar los valores 0, 1, 2, 3, 4, ..., k.

La distribución de Poisson se emplea para describir varios procesos, entre

otros:
El número de autos que pasan a través de un cierto punto en una ruta
(suficientemente distantes de los semáforos) durante un periodo definido de
tiempo.
El número de errores de ortografía que uno comete al escribir una única
página.
El número de llamadas telefónicas en una central telefónica por minuto.
El número de servidores web accedidos por minuto.
El número de defectos en una longitud específica de una cinta magnética.
El número de mutaciones de determinada cadena de ADN después de cierta
cantidad de radiación.
El número de defectos por metro cuadrado de tela.
El número de estrellas en un determinado volumen de espacio.

Cada una de estas variables aleatorias representa el número total de

ocurrencias de un fenómeno durante un periodo de tiempo fijo o en una
región fija del espacio. Expresa la probabilidad de un número k de
ocurrencias acaecidas en un tiempo fijo, si estos eventos ocurren con una
frecuencia media conocida y son independientes del tiempo discurrido
desde la última ocurrencia o suceso.

La finalidad del presente objeto de aprendizaje, es adquirir la destreza y

conocimiento necesario para la correcta utilización de la distribución de
Poisson en el cálculo de probabilidades. Para ello, en primer lugar
presentamos los objetivos específicos que pretendemos conseguir; a
continuación trabajaremos la definición y características de la distribución
de Poisson, haciendo especial relevancia en cómo identificarla y
diferenciarla de otras distribuciones discretas y se resuelven algunos
ejemplos prácticos para ayudar a su comprensión. Finalmente,
destacaremos los conceptos básicos de aprendizaje con respecto a la
distribución de Poisson y sus aplicaciones prácticas.

Identificar las propiedades de una distribución Poisson, así como sus

parámetros característicos, esperanza y varianza.
Estimar el valor promedio, la λ, característico de las variables de Poisson a
partir de la frecuencia o probabilidad de ocurrencia, p, y el número de veces
que se presenta un suceso, n.
Establecer las bases para el cómputo de las probabilidades para variables
Poisson

3 Definición y características de la distribución binomial

3.1 ¿Para qué me puede servir la distribución binomial?

La distribución de Poisson fue desarrollada por Siméon‐Denis Poisson
(1781‐1840). Esta distribución de probabilidades es muy utilizada para
situaciones donde los sucesos son impredecibles o de ocurrencia aleatoria.
En general, utilizaremos la distribución de Poisson como aproximación de
experimentos binomiales donde el número de pruebas es muy alto (n→∞),
pero la probabilidad de éxito muy baja (p→0).

3.2 Características
Se dice que X sigue una distribución de Poisson de parámetro λ y que se
obtiene del producto n*p (que nombraremos a partir de aquí como np, por
mayor simplicidad), que se representa con la siguiente notación:
X ~ Ps (λ)
La distribución de Poisson se caracteriza por las siguientes propiedades:
Sea una población de tamaño ∞.
Sea una muestra de tamaño n bastante elevado (se suele hablar de que
tiende a ∞)
Los sucesos son independientes entre si.
Sea A un suceso que tiene una probabilidad p de suceder durante un
periodo de tiempo, siendo esta probabilidad de ocurrencia durante un
periodo de tiempo concreto muy pequeña (se suele hablar de que tiende a
0).
El producto n*p, tiende a aproximarse a un valor promedio o número medio,
al que llamaremos λ. Por ejemplo, promedio de llamadas recibidas en una
centralita por minuto o número medio de accidentes producidos en una
carretera durante el fin de semana.
X: número de individuos de la muestra que cumplen A.
El conjunto de posibles valores de A es, E = {0,1,2,3,4....}

Su función de probabilidad viene definida por:

x
F X( = x) = e−λ *λ
x!
Ecuación 1. Función de Probabilidad de la distribución Poisson.

donde x debe ser un entero positivo.

Esta expresión, se obtiene tomando los límites cuando n tiende a ∞, p tiende

a 0 y np permanece constante e igual a λ, de la función de probabilidad de
la distribución de una variable binomial:
*p
F X x( = ) =limn→∞ ⎛⎝⎜⎜nx⎞⎟⎟⎠ x *(1− p)n x− =e−λ*λxx!
p→0 np→λ
Ecuación 2. Función de Probabilidad de la distribución Poisson.

La media o esperanza y la varianza, se obtienen mediante el mismo

procedimiento, tomando los límites cuando n tiende a ∞, p tiende a 0 y np
tiende a λ:
E X( ) =limnp=λ
np→λ
Ecuación 3.Esperanza de la distribución Poisson. σ2 =lim( * *(1n p −p)) =λ
np→λ
Ecuación 4. Varianza de la distribución Poisson.

Una propiedad importante de la distribución de Poisson, es que la suma de

n variables de Poisson independientes, Ps(λ1)+Ps(λ2)+…….+Ps(λn), es
tambien una variable de Poisson siendo el valor de su parámetro λ, la suma
de los de las variables que se suman, Ps(λ1+λ2+…….+λn).

En general, la distribución de Poisson, ofrecerá buenas aproximaciones a

probabilidades de variables binomiales cuando n ≥ 50 y p ≤ 0,1 y en el
intervalo, 10 ≤ np ≤100, las aproximaciones serán excelentes, ya que en
muchos casos la aplicación de la función de probabilidad de la binomial
puede llegar a ser complicada.

• Ejemplo
La probabilidad de que en una mascletà en fallas una persona se desmaye
es de 0,001. Considerando que acuden unas 5000 personas a ver la
mascletà el día de San José, ¿cúal es la probabilidad de que se desmayen 25
personas?

Se trata de una binomial con n=5000 y p=0,001.

La probabilidad solicita sería:
⎛5000⎞ 25 *(1− 0,001)5000 25− F X( = 25) =⎜⎜⎝25 ⎟⎟⎠*0,001
que resulta complejo de calcular. Por eso se prefiere aproximar a una
distribución de Poisson, con λ=5000*0,001=50, y quedaría:
F X( = 25) = e−50 * 5025 = 3,70*10−5
25!

La distribución de Poisson se puede expresar de forma gráfica, ya que en

realidad consiste en un diagrama de barras, similar a los obtenidos en la
función de probabilidad, pero con forma asimétrica positiva como sucede
con la distribución binomial. Sin embargo al ir aumentando los valores de λ,
va adquiriendo la típica forma de campana de Gauss, pudiendo a deducirse,
que conforme aumenta λ, las variables de Poisson van a poder aproximarse
a la distribución normal, por el Teorema Central del Límite. La
aproximación se considera buena para valores de λ iguales o superiores a 9.

Imagen 1. La figura es la gráfica de la función de probabilidad de variables

Poisson
Fuente:
http://www.matematicasypoesia.com.es/Estadist/ManualCPE04p4.htm
Imagen 2. La figura representa la gráfica de la función de probabilidad de
variables Poisson

Veamos algunos ejemplos:

• Ejemplo 1.
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,
b) 10 cheques sin fondos en cualquiera de dos días consecutivos?

Solución:
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. λ = 6 cheques sin
fondo por día ε = 2.718
(6) ( .4 2 718)−6
p( x = 4,λ= 6) = = = 0 13392.
4!

X= variable que nos define el número de cheques sin fondo que llegan al
banco en dos días consecutivos = 0, 1, 2, 3, ......, etc., etc.

λ = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos

días consecutivos

(12) ( .10 2718)−12

p( x =10,λ=12) = =
=0104953.
10!

• Ejemplo 2.
En la inspección de hojalata producida por un proceso electrolítico
continuo, se identifican 0.2 imperfecciones en promedio por minuto.
Determine las probabilidades de identificar a) una imperfección en 3
minutos, b) al menos dos imperfecciones en 5 minutos, c) cuando más una
imperfección en 15 minutos.

Solución:
X= variable que nos define el número de imperfecciones en la hojalata por
cada 3 minutos =
0, 1, 2, 3, ...., etc., etc.
λ = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la
hojalata
p( x = 1,λ= 0 6. ) = ( . ) ( .0 6 1 2 718)−06. = ( . )( .0 6 0
548845) = 0 329307.

1! 1

X= variable que nos define el número de imperfecciones en la hojalata por

cada 5 minutos = 0,
1, 2, 3, ...., etc., etc.
λ = 0.2 x 5 =1 imperfección en promedio por cada 5 minutos en la hojalata

p( x = 234, , ,etc....λ=1 1) = − p( x =01, ,λ=1 1) = −⎜⎛⎝⎜( ) ( .1 27180

0! )−1 ( )( .1 27181! )−1 ⎞⎠
+ ⎟⎟ =

=1‐(0.367918+0.367918) = 0.26416

c) X = variable que nos define el número de imperfecciones en la hojalata

por cada 15 minutos =
0, 1, 2, 3, ....., etc., etc.

λ = 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la

hojalata
p( x =01, ,λ= =3) p( x =0,λ= +3) p( x =1,λ= =3) (3 2718) ( .0
)−3 (3 2718) ( .1 )−3
+ =
0! 1!

= 0.0498026 + 0.149408 = 0.1992106

2.3.4 DISTRIBUCIÓN GEOMÉTRICA O DE PASCAL

La distribución geométrica es un modelo adecuado para aquellos procesos en

los que se repiten pruebas hasta la consecución del éxito a resultado deseado y tiene
interesantes aplicaciones en los muestreos realizados de esta manera. También implica la
existencia de una dicotomía de posibles resultados y la independencia de las pruebas
entre sí.

Proceso experimental del que se puede hacer derivar

Esta distribución se puede hacer derivar de un proceso experimental puro o de Bernouilli

en el que tengamos las siguientes características
• El proceso consta de un número no definido de pruebas o experimentos
separados o separables. El proceso concluirá cuando se obtenga por primera vez
el resultado deseado (éxito).

•Cada prueba puede dar dos resultados mutuamente excluyentes: A y no A

La probabilidad de obtener un resultado A en cada prueba es p y la de obtener un

resultado no A es q siendo (p + q = 1).

Las probabilidades p y q son constantes en todas las pruebas ,por tanto , las pruebas ,son
independientes (si se trata de un proceso de "extracción" éste se llevará a , cabo con
devolución del individuo extraído) .

• (Derivación de la distribución). Si en estas circunstancias aleatorizamos de

forma que tomemos como variable aleatoria X = el número de pruebas
necesarias para obtener por primera vez un éxito o resultado A , esta variable se
distribuirá con una distribución geométrica de parámetro p.
X ⇒ G( p)

Obtención de la función, de cuantía

De lo dicho anteriormente, tendremos que la variable X es el número de pruebas

necesarias para la consecución del primer éxito. De esta forma la variables aleatoria
toma valores enteros a partir del uno; ⎨1,2,………⎬

La función de cuantía P(x) hará corresponder a cada valor de X la probabilidad

de obtener el primer éxito precisamente en la X-sima prueba. Esto es , P(X) será la
probabilidad del suceso obtener X-1 resultados “no A” y un éxito o resultado A en la
prueba número X teniendo en cuenta que todas las pruebas son independientes y que
conocemos sus probabilidades tendremos:

suceso ≡ A y A y.....y A y NA = A ∩ A ∩.....∩ A ∩N A

una vez una vez
x−1 veces x−1 veces

dado que se trata de sucesos independientes y conocemos las probabilidades

P(x) = P(A)·P(A)·····P(A)·P(A) = qn−1·p dado

que x−1 veces
P( A) = q y P( A) = p

luego la función de cuantía quedaría P(x) = q n−1·p

 Algunos autores consideran la
aleatorización como “número de
pruebas anteriores al primer
éxito”. De esta manera el
conseguir el éxito a la primera
sería X=0 . En la siguiente
representación gráfica de la
función de cuantía de la
geométrica puede apreciarse este
tipo de aleatorización ,
sin embargo nosotros
preferimos , por razones
prácticas, utilizar la
aleatorización antes comentada

Función de distribución

En base a la función de cuantía se puede expresar la función de distribución de la

siguiente manera. F(X ) =

X
∑q
x−1
·p desarrollando la expresión
tendríamos x=1

1− X
F q1 − q
(X ) = p(1+ q + q 2 + ..+ q X −1 ) = p· de donde F ( X ) = 1− q X

La Función Generatriz de Momentos (F.G.M.) quedaría:

(e
∞ xi
p ∞ t
ϕ ⎡ ∑ tx 1
∑
(t) = E ⎤⎣ e tx ⎦ = e i ·p·q x −1 =q =
q
x=1
) x=1

(qe ) (qe ) (qe )

2 3 n
p t t t
lim ⎛ qe t + + +..+ =
x →∞ q ⎜
⎝ ⎠

(qe t n+1

− qet
(
t t −1
p p qe e p
lim
x→∞ q
) qet −1
=
q 1− qe t
=p
=
1− qe
== −t
t
e −q
p e −t−

)
con lo que queda establecida que la F.G.M. tiene la expresión ϕ (t) = p (e −t

)
−1

−q En base a la FGM podemos obtener la media y varianza:

Así α1 = µ =ϕ ( ) I ϕ I (t) = (−1) p(e −t − q)−2 (−e −t ) = p(e −t − q)−2

t→o
t 1
(e −t ) Haciendo t =0 tendríamos que µ p=

σ 2 =α − µ 2
La varianza sería 2
 ϕ II (t) = (−2) p(e −t − q) −3 (−e −t )(e −t ) + (−e −t ) p(e−t − q)−2 =

Haciendo t =0 tendríamos que α 2 = −2 p·p −3 (−1) + (−1) p·p −22

2 1 2 1 1 p
= − De esta manera σ 2 = α2 − µ 2 = − − =
1 1 1− p q
− = 2
= p2 p p2 p2 p p p2

q2
Luego σ2 =
p

La moda es el valor de la variable que tiene asociada mayor

probabilidad el valor de su función de cuantía es el mayor. Es fácil comprobar
(véase simplemente la representación gráfica anterior) que P(xi ) ≤ P(x = 1) ∀xi
.Por lo tanto la media de la distribución geométrica es siempre 1.

En cuanto a la mediana Me será aquel valor de la variable en el cual la

función de distribución toma el valor 0,5. Así

F (M e ) = 1/ 2
Me Me
F (M e ) = 1− q = 1/ 2 ⇒ q = 1/ 2

− ln 2
por lo que M e ln q = ln1− ln 2 = − ln 2 → M e =l
nq

Referencias

123
http://www.vitutor.com/pro/3/b_g.html (Consultado 29/09/2008).
http://sauce.pntic.mec.es/~jpeo0002/Partes/ejercicios.html
(Consultado 29/09/2008).
http://sauce.pntic.mec.es/~jpeo0002/Archivos/PDF/T03.pdf
(Consultado 30/09/2008).
http://personal5.iddeo.es/ztt/Tem/t19_distribucion_binomial.htm
(Consultado30/09/2008).
http://www.criced.tsukuba.ac.jp/grapes/es/image/nikou.html
(Consultado 29/09/2008)
http://foros.emagister.com/tema‐distribucion+de+poisson‐12873‐
395042.htm
http://www.fing.edu.uy/iimpi/academica/grado/ctrlcalidad/ejercicios/
EjerciciosDeDistribucion esDeProbabilidad‐Final2008.pdf

124