DISTRIBUCIÓN DE POISSON

Asencio George, Ospino Dubis, Palacio Dilia, Suarez Nellys

6 de abril de 2018

1. INTRODUCCION
La estadı́stica es una ciencia que facilita la toma de decisiones mediante la presentación ordenada de
los datos observados en tablas y gráficos estadı́sticos, reduciendo los datos observados a un pequeño
número de medidas estadı́sticas que permitirán la comparación entre diferentes series de datos y
estimando la probabilidad de éxito que tiene cada una de las decisiones posibles.

2. HISTORIA
La distribución de Poisson se emplea para describir varios procesos, entre otros la distribución de
las llamadas telefónicas que llagan a un conmutador, la demanda (necesidades) de servicios en una
institución asistencial por parte de los pacientes, los arribos de los camiones y automóviles a la caseta
de cobro y el número de accidentes en un cruce. Los ejemplos citados tienen un elemento en común,
pueden ser descritos por una variable aleatoria discreta que asume valores enteros (0,1,2,3,4,5 y ası́
sucesivamente).

La Distribución de Poisson se llama ası́ en honor a Simeón Dennis Poisson (1781-1840), francés que
desarrolló esta distribución basándose en estudios efectuados en la última parte de su vida.

El número de enfermos que llegan a un consultorio en cierto intervalo de tiempo será de 0,1,2,3,4,5
o algún otro número entero. De manera análoga, si se cuenta el número de automóviles que llegan
a una caseta de cobro durante un periodo de diez minutos, el número será entero.

3. DEFINICIÓN
Esta distribución es una de las más importantes distribuciones de variable discreta. Sus principales
aplicaciones hacen referencia a la modelización de situaciones en las que nos interesa determinar el
número de hechos de cierto tipo que se pueden producir en un intervalo de tiempo o de espacio, bajo
presupuestos de aleatoriedad y ciertas circunstancias restrictivas. Otro de sus usos frecuentes es la
consideración lı́mite de procesos dicotómicos reiterados un gran número de veces si la probabilidad
de obtener un éxito es muy pequeña .
caracteristicas:
Esta distribución se puede hacer derivar de un proceso experimental de observación en el que
tengamos las siguientes caracterı́sticas:

· Se observa la realización de hechos de cierto tipo durante un cierto periodo de tiempo o a lo largo
de un espacio de observación
· Los hechos a observar tienen naturaleza aleatoria ; pueden producirse o no de una manera no
determinı́stica.

1
· La probabilidad de que se produzcan un número x de éxitos en un intervalo de amplitud t no
depende del origen del intervalo (Aunque, sı́ de su amplitud)

· La probabilidad de que ocurra un hecho en un intervalo infinitésimo es prácticamente proporcional

a la amplitud del intervalo.

· La probabilidad de que se produzcan 2 o más hechos en un intervalo infinitésimo es un infinitésimo

de orden superior a dos.

En consecuencia, en un intervalo infinitésimo podrán producirse O ó 1 hecho pero nunca más de

uno

· Si en estas circunstancias aleatorizamos de forma que la variable aleatoria X signifique o designe

el ”número de hechos que se producen en un intervalo de tiempo o de espacio”, la variable X se
distribuye con una distribución de parámetro l . Ası́ :

Parametro de distribución

El parámetro de la distribución es, en principio, el factor de proporcionalidad para la probabilidad

de un hecho en un intervalo infinitésimo. Se le suele designar como parámetro de intensidad ,
aunque más tarde veremos que se corresponde con el número medio de hechos que cabe esperar
que se produzcan en un intervalo unitario (media de la distribución); y que también coincide con la
varianza de la distribución.

Por otro lado es evidente que se trata de un modelo discreto y que el campo de variación de la
variable será el conjunto de los número naturales, incluido el cero:

Función de cuantı́a

A partir de las hipótesis del proceso, se obtiene una ecuación diferencial de definición del mismo que
puede integrarse con facilidad para obtener la función de cuantı́a de la variable ”número de hechos
que ocurren en un intervalo unitario de tiempo o espacio ”

Que serı́a :
e−λ ∗ λx
p(x) =
x!

2
Cuya representación gráfica para un modelo de media 11 serı́a la adjunta . Obsérvense los valores
próximos en la media y su forma parecida a la campana de Gauss , en definitiva , a la distribución
normal
La función de distribución vendrá dada por :
x
X e−λ · λx
F (X) =
x!
x=0

Función Generatriz de Momentos Su expresión será :

∞ ∞ tx
tx

X e−λ · λx
tx −λ
X e · λx
ρ (t) = E e = e · =e
x! x!
x=0 x=0

2
3
n
−λ λet λet λet λ et
e 1+ + + + ..... + ..... + )
1! 2! 3! n!

x1 x2 x3

x
e = 1+ + + )
1! 2! 3!
tendremos que :
t
ρ (t) = eλ · eλe
luego :
t −1
ρ (t) = eλ(e )
Para la obtención de la media y la varianza aplicarı́amos la F.G.M.; derivándola sucesivamente e
igualando t a cero . Ası́ :
µ = E (x) = α1
donde :
α 1 = ρtt=0 (t)
λ(et −1)
ρtt=0 (t) = λet · et→0 = λ · 1e0 = λ

4. FORMULAS
Cuando en una distribución binomial el número de intentos (n) es grande y la probabilidad de éxito
(p) es pequeña, la distribución binomial converge a la distribución de Poisson

e−λ ∗ λx
p(x) =
x!
donde :
x = (1, 2, 3....n) > 0
np = λ

media
µ = E(x) = λ
varianza
var(x) = σ 2

3
5. EJERCICIOS RESUELTOS
ejemplo1:
1. La producción de televisores en SAMSUNG trae asociada una probabilidad de defecto del 0.02,
si se toma un lote o muestra de 85 televisores, obtener la probabilidad de que existan 4 televisores
con defectos.
solucion:
n = 85 P = 0.02 X = 4 λ = 1,7

e−1,7 1,74



P (X = 5) = = 0,0635746
4!
ejemplo2:
En una jaula con 100 pericos 15 de ellos hablan ruso calcular la probabilidad de que si tomamos 20
pericos al azar 3 de ellos hablen ruso.
solucion:
n = 20 p = 0.15 X = 3 λ = 3

e−3 33



P (X = 3) = = 0,2240418
3!
ejemplo3:
Se calcula que en la ciudad el 0.2 de las personas tienen defecto de la vista si tomamos una muestra
de 50 personas al azar ¿Calcular la probabilidad de que 10 de ellos tengan defecto en la vista?
solucion:
n = 50 p = 0.2 λ = 10

e−10 1010



P (x = 10) = = 0,12511
10!
ejemplo4:
El 0.08 de los registros contables de una empresa presentan algún problema, si un auditor toma una
muestra de 40 registros ¿Calcular probabilidad de que existan 5 registros con problemas?
solucion:
n = 40 p = 0.08 λ = 3,2X = 5

e−3,2 3,25



P (x = 5) = = 0,1139793
5!
ejemplo5:
Si el 0.02 de los libros encuadernados en cierto taller tiene encuadernación defectuosa, para obtener la
probabilidad de que 5 de 400 libros encuadernados en este taller tengan encuadernaciones defectuosas
usamos la distribución de Poisson.
solucion:
En este caso concreto: k es 5 , el valor esperado de libros defectuosos es el 0.02 de 400, es decir, 8.
Por lo tanto, la probabilidad buscada es

e−8 85



P (5; 8) = = 0,092
5!

4
6. EJERCICIOS PROPUESTOS
ejercicio 1:
Si un banco recibe en promedio 6 cheques sin fondo por dı́a, ¿cuáles son las probabilidades de que
reciba. a) cuatro cheques sin fondo en un dı́a dado b) 10 cheques sin fondos en cualquiera de dos
dı́as consecutivos?
ejercicio 2:
En la inspección de hojalata producida por un proceso electrolı́tico continuo, se identifican 0.2
imperfecciones en promedio por minuto. Determine las probabilidades de identificar. a) una imper-
fección en 3 minutos b) al menos dos imperfecciones en 5 minutos c) cuando más una imperfección
en 15 minutos.
ejercicio 3:
Una empresa electrónica observa que el número de componentes que fallan antes de cumplir 100
horas de funcionamiento es una variable aleatoria de Poisson. Si el número promedio de estos fallos
es ocho. A. ¿cuál es la probabilidad de que falle un componente en 25 horas? B. ¿y de que fallen no
más de dos componentes en 50 horas? C. ¿cuál es la probabilidad de que fallen por lo menos diez
en 125 horas?
ejercicio 4:
Supongamos que el número de imperfecciones en un alambre delgado de cobre sigue una distribución
Poisson con una media de 2.3 imperfecciones por milı́metro. (a) Determine la probabilidad de 2
imperfecciones en un milı́metro de alambre. (b) Determine la probabilidad de 10 imperfecciones en
5 milı́metros de alambre. (c) Determine la probabilidad de al menos una imperfección en 2mm de
alambre
ejercicio 5:
En los ultimos 600 años se han producido 12 grandes terremotos en España. Determinece la pobra-
bilidad de que se produzcan 2 en los proximos 25 años.

7. CONCLUCIÓN
Generalmente conocemos el valor de lambda(la cantidad esperada de eventos por unidad de tiempo),
y entonces nos preguntamos cuántos eventos obtendremos en una determinada cantidad de tiempo,
o cuánto tiempo tendremos que esperar hasta observar una determinada cantidad de eventos. De
esta forma obtenemos 2 distribuciones.

8. BIBLIOGRAFRIA
• http://www.itchihuahua.edu.mx/academic/industrial/sabaticorita/p rivate/05Distr20P oisson.html
• https://jrvargas.files.wordpress.com/2010/07/ejercicios-resueltos-de-distribucic3b3n-binomial-y- poison-
usando-tablas-y-excel.pdf
• http://www3.uji.es/ mateu/t4-alumnos.pdf
• https://www.gestiopolis.com/que-es-la-distribucion-de-poisson/
”nota: aparecen errores pero no lo son debido a que la nomenclatura con la cual fueron
escritas las formulas no son compatibles con latex pero de igual manera, latex coloco
las formulas como son”