DEFINICIÓN DE LA DISTRIBUCIÓN 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.

La probabilidad de nuestra variable aleatoria X viene dada por la siguiente expresión:

Donde:

 Nuestra variable aleatoria discreta puede tomar los valores: x = 0,1,2,3…

 µ 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:
∞
∑ 𝑷(𝒙) = 𝟏
𝒙=𝟎

 La desviación típica es:

𝝈 = √µ

 Cuando realizamos un experimento contando sucesos y obtenemos un valor x, su error

vendrá determinado por la raíz de x.
𝒙 ± √𝒙

La distribución de Poisson debe de cumplir los siguientes requisitos:

 La variable discreta x 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.

¿Cuándo se usa la Distribución de Poisson?

La distribución de Poisson es particularmente importante ya que tiene muchos casos de uso.

Podemos poner como ejemplos de uso: la disminución de una muestra radioactiva, la llegada de
pasajeros de un aeropuerto o estación de trenes o autobuses, los usuarios que se conectan a
una web determinada por hora (es un caso particularmente interesante que usa Googlee en sus
métricas predictivas de visitantes únicos a una web).

Como caso realmente interesante cabe mencionar que la distribución de poisson fue utilizada
para determinar si durante la segunda guerra mundial los alemanes al bombardear Londres
desde Calais (Francia 🇫🇷) con los protomisiles V1 y V2 apuntaban o simplemente disparaban al
azar. Era un hecho realmente importante determinar ese punto pues si los objetivos alcanzados
con estos primitivos misiles eran los blancos que los alemanes habían seleccionado, implicaba
que éstos disponían de una tecnología balística muy superior a la sospechada. En las vídeo clases
haré un ejercicio muy similar a dicho problema para ver un caso de utilidad que ha sido real.

Distribución de Poisson como una aproximación a la Distribución Binomial

La distribución de Poisson se usa en ocasiones para aproximar la distribución binomial. Existe un

consenso en poder realizar esta aproximación cuando se satisfagan las siguientes condiciones:

𝑛 ≥ 100
𝑛𝑝 ≤ 10
En caso de que hagamos la aproximación porque se cumplan ambas condiciones vamos a
necesitar el valor de µ que lo calcularemos mediante la siguiente expresión:

𝜇 = 𝑛𝑝
También suele usarse a menudo una aproximación de la distribución de Poisson a una
distribución Gaussiana, aunque esta última es una distribución de probabilidad continua. Este
último apunte lo trataremos en otro momento.

¿Qué es una distribución de Poisson?

La distribución de Poisson se especifica por un parámetro: lambda (λ). Este parámetro es igual a
la media y la varianza. Cuando lambda aumente a valores lo suficientemente grandes, la
distribución normal (λ, λ) podría utilizarse para aproximar la distribución de Poisson.

Utilice la distribución de Poisson para describir el número de veces que un evento ocurre en un
espacio finito de observación. Por ejemplo, una distribución de Poisson puede describir el
número de defectos en el sistema mecánico de un avión o el número de llamadas a un centro
de llamadas en una hora. La distribución de Poisson se utiliza con frecuencia en el control de
calidad, los estudios de fiabilidad/supervivencia y los seguros.

Una variable sigue una distribución de Poisson si se cumplen las siguientes condiciones:

Los datos son conteos de eventos (enteros no negativos, sin límite superior).

Todos los eventos son independientes.

La tasa promedio no cambia durante el período de interés.

Las siguientes gráficas representan distribuciones de Poisson con valores diferentes de lambda.

¿Qué es tasa de ocurrencia?

La tasa de ocurrencia es igual a la media (λ) dividida entre la dimensión del espacio de
observación. Es útil para comparar conteos de Poisson recolectados en diferentes espacios de
observación. Por ejemplo, la central telefónica A recibe 50 llamadas telefónicas en 5 horas y la
central telefónica B recibe 80 llamadas en 10 horas. Usted no puede comparar directamente
estos valores, porque sus espacios de observación son diferentes. Debe calcular la tasa de
ocurrencia para comparar estos conteos. La tasa de la central telefónica A es (50 llamadas / 5
horas) = 10 llamadas/hora. La tasa de la central telefónica B es (80 llamadas / 10 horas) = 8
llamadas/hora.

Diferencias entre la distribución de Poisson y la distribución binomial

La distribución de Poisson es similar a la distribución binomial porque ambas modelan conteos

de eventos. Sin embargo, dentro de su espacio de observación finito, la distribución de Poisson
no establece un límite superior a este conteo: una central telefónica podría recibir un número
ilimitado de llamadas en un día y no violar los requisitos de la distribución de Poisson. En cambio,
la distribución binomial establece un límite superior en el conteo: el número de eventos que
usted observa no puede exceder el número de ensayos que realiza.