diff --git a/docs/5_17_1_proceso_funciones_poisson.md b/docs/5_17_1_proceso_funciones_poisson.md
index 48d2628..cceee1b 100644
--- a/docs/5_17_1_proceso_funciones_poisson.md
+++ b/docs/5_17_1_proceso_funciones_poisson.md
@@ -2,6 +2,106 @@
 
 [17 - Proceso contador de Poisson](https://www.overleaf.com/read/ctgmjmgscrhj#116f35)
 
-### Secciones
-- Proceso aleatorio de Poisson (1 - 6)
-- Funciones de densidad del proceso de Poisson (7 - 9)
\ No newline at end of file
+# Proceso aleatorio de Poisson
+
+!!! note "Introducción"
+
+    Un proceso aleatorio de Poisson describe el número de veces que algún evento ha ocurrido, como una función del tiempo o el espacio, y en donde los eventos ocurren en instantes o lugares al azar. 
+
+    Ejemplos de situaciones que pueden describirse con este modelo incluyen:
+    
+    - La llegada de un cliente a la caja de supermercado.
+    - La caída de un rayo dentro de un área prescrita.
+    - La falla de un componente en un sistema.
+    - La emisión de un electrón desde la superficie de un material sensible a la luz (fotodetector).
+    - El número de solicitudes a un servidor.
+    - El número de plantas en un área boscosa.
+
+    El proceso se reduce a contar el número de tales ocurrencias con el tiempo. Por esta razón, el proceso también se conoce como **proceso contador de Poisson**.
+
+---
+
+## Definición del proceso de Poisson
+
+!!! tip "Definición del proceso de Poisson"
+
+    Sea \( X(t) \) el número de ocurrencias del evento con el tiempo (el proceso). Entonces \( X(t) \) consiste en funciones de valores enteros no-decrecientes. La probabilidad de que sucedan exactamente \( k \) eventos en el tiempo \( t \) está dada por:
+
+    $$
+    P(X = k) = \frac{(\lambda t)^k}{k!} e^{-\lambda t}, \quad k = 0, 1, 2, \ldots
+    $$
+
+    Por conveniencia, se toma \( X(t) = 0 \) en \( t = 0 \); para \( t > 0 \), \( X(t) \) es el número de ocurrencias en el intervalo \([0, t]\); para \( t < 0 \), \( X(t) \) es el negativo del número de ocurrencias en el intervalo \([t, 0]\).
+
+<!-- Imagen opcional: gráfico con diferentes valores de k -->
+![Distribución de Poisson para distintos valores de k](images/poisson_curvas.png)
+
+---
+
+!!! tip "Visualización del proceso"
+
+    La evolución del proceso \( X(t) \) puede visualizarse como una función escalonada que aumenta en pasos unitarios en los puntos de ocurrencia del evento. Cada incremento representa un evento observado.
+
+<!-- Imagen opcional: función escalonada x(t) -->
+![Función muestra del proceso Poisson](images/poisson_pasos.png)
+
+
+---
+
+## Condiciones del proceso de Poisson
+
+!!! tip "Condiciones que debe cumplir el proceso"
+
+    - A la vez solamente ocurre un evento (aunque los tiempos puedan estar muy cerca).
+    - Los tiempos de ocurrencia son estadísticamente independientes, de modo que el número de eventos en un intervalo dado es independiente del número en otro.
+    - El número esperado de eventos crece de forma aproximadamente lineal con el tiempo.
+
+    El número de ocurrencias de eventos en cualquier intervalo finito está descrito por la distribución de Poisson con tasa promedio \( \lambda \), también conocida como intensidad.
+
+---
+
+## Ejemplo: Contador de Geiger
+
+!!! example "¿Cuál es la probabilidad de que en 30 segundos se reciba al menos un pulso?"
+
+    Suponga que en un contador de Geiger llegan pulsos con una tasa promedio de 6 por minuto, de forma que \( \lambda = 6 \). Queremos conocer la probabilidad de que en un intervalo de 30 segundos (es decir, \( t = 0.5 \) minutos) al menos un pulso sea recibido.
+
+    Como el número de pulsos sigue una distribución de Poisson con parámetro \( \lambda t = 3 \), se tiene:
+
+    $$
+    P(X \geq 1) = 1 - P(X = 0) = 1 - \frac{(3)^0}{0!} e^{-3} = 1 - e^{-3} \approx 0.95
+    $$
+
+!!! note ""
+    Hay un 95 % de probabilidad de detectar al menos un pulso en 30 segundos.
+
+---
+
+# Funciones de densidad del proceso de Poisson
+
+## Definición de la función de densidad
+
+!!! tip "Función de densidad del proceso de Poisson"
+
+    La probabilidad de exactamente \( k \) ocurrencias sobre un intervalo \([0, t]\) es:
+
+    $$
+    P[X(t) = k] = \frac{(\lambda t)^k}{k!} e^{-\lambda t}, \quad k = 0, 1, 2, \ldots
+    $$
+
+    La densidad de probabilidad del número de ocurrencias se puede escribir como:
+
+    $$
+    f_X(x) = \sum_{k=0}^{\infty} \frac{(\lambda t)^k}{k!} e^{-\lambda t} \delta(x - k)
+    $$
+
+---
+
+!!! tip "Interpretación visual"
+
+    La función de masa de probabilidad (PMF) del proceso Poisson representa la probabilidad de ocurrencia exacta de un número entero de eventos. A medida que el tiempo \( t \) aumenta, la dispersión de la distribución también aumenta, lo que se traduce en una mayor variabilidad del número de eventos esperados.
+
+<!-- Imagen opcional: gráfico PMF discreto -->
+![Función PMF de Poisson con λ = 2.5](images/pmf_poisson.png)
+
+---
diff --git a/docs/images/pmf_poisson.png b/docs/images/pmf_poisson.png
new file mode 100644
index 0000000..d61d2ce
Binary files /dev/null and b/docs/images/pmf_poisson.png differ
diff --git a/docs/images/poisson_curvas.png b/docs/images/poisson_curvas.png
new file mode 100644
index 0000000..482ba71
Binary files /dev/null and b/docs/images/poisson_curvas.png differ
diff --git a/docs/images/poisson_pasos.png b/docs/images/poisson_pasos.png
new file mode 100644
index 0000000..1230c4a
Binary files /dev/null and b/docs/images/poisson_pasos.png differ