¿QUÉ ES LA DISTRIBUCIÓN DE POISSON?

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 así sucesivamente).

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.

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.

CARACTERÍSTICAS DE LOS PROCESOS QUE PRODUCEN UNA

DISTRIBUCIÓN DE LA PROBABILIDAD DE POISSON

El número de vehículos que pasan por una caseta de cobro en las horas de mayor tráfico
sirve como ejemplo para mostrar las características de una distribución de probabilidad de
Poisson.

El promedio (media) de los arribos de vehículos por hora de gran tráfico puede estimarse a
partir de los datos anteriores del tráfico.

Si dividimos las horas de gran tráfico en periodos (intervalos) de un segundo cada uno,
encontraremos que los siguientes enunciados son verdaderos:

a) La probabilidad de que exactamente un vehículo llegue por segundo a una caseta

individual es un número muy pequeño y es constante para que cada intervalo de un
segundo.
b) La probabilidad de que dos o más vehículos lleguen en un intervalo de un segundo es tan
reducida que podemos asignarle un valor cero.
c) El número de vehículos que llegan en determinado intervalo de un segundo es
independiente del momento en que el intervalo de un segundo ocurre durante la hora de
gran tráfico.
d) El número de llegadas en cualquier intervalo de un segundo no depende del número de
arribos de cualquier otro intervalo de un segundo.
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.

Ejemplo:

Supóngase que estamos investigando la seguridad de un crucero muy peligroso. Los

archivos de la policía indican una media de cinco accidentes por mes en él. El número de
accidentes está distribuido conforme a la distribución de Poisson, y la división de seguridad
en carreteras quiere calcular la probabilidad de exactamente 0,1,2,3 y 4 accidentes en un
mes determinado.

Aplicando la fórmula anterior:

P(0) = (5)0 (e-5) /0! = 0.00674

P(1) = (5)1 (e-5) /1! = 0.03370

P(2) = (5)2 (e-5) /2! = 0.08425

P(3) = (5)3 (e-5) /3! = 0.14042

P(4) = (5)4 (e-5) /4! = 0.17552

Para saber cual es la probabilidad en 3 o menos, sumaremos las probabilidades de 0,1,2,3 lo

que será igual a :

P(0) = 0.00674
P(1) = 0.03370
P(2) = 0.08425
P(3) = 0.14042
P(3 o menos) = 0.26511

Dado que la probabilidad de que haya 3 o menos accidentes es de 0.26511 entonces la

probabilidad de que ocurran más de tres debe ser = 1 –0.26511 = 0.73489.

La distribución de Poisson como una aproximación a la distribución binomial.

Algunas veces, si se desea evitar el tedioso trabajo de calcular las distribuciones

binomiales, se puede usar a cambio la de Poisson, pero debe cumplir con ciertas
condiciones como :

n=>20
p=<0.05

En los casos en que se satisfacen tales condiciones, podemos sustituir la media de la

distribución binomial en lugar de la media de la distribución de Poisson de modo que la
fórmula quedaría así:

P(x) = (np) X * e-np /x!

EJERCICIOS DE DISTRIBUCIÓN DE POISSON

1. Si ya se conoce que solo el 3% de los alumnos de Contabilidad son muy inteligentes

¿Calcular la probabilidad de que si tomamos 100 alumnos al azar 5 de ellos sean muy
inteligentes.
n = 100
P = 0.03
lambda = 100 * 0.03 = 3
x=5

2. 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:
a)      x = variable que nos define el número de cheques sin fondo que llegan al banco en un
día cualquiera = 0, 1, 2, 3, etc. ( 6 )4 ( 2.718 )6 ( 1296 )( 0.00248 )
l = 6 cheques sin fondo por día p( x  4 ,  6 )    0.13392
  4 ! 24

b) 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.
l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos días
consecutivos
Nota: l siempre debe de estar en función de x siempre o dicho de otra forma, debe “hablar”
de lo mismo que x.
( 12 )10( 2.718 )12 ( 6.191736410 )( 0.000006151 )
p( x  10,  12 )    0.104953
10! 3628800
 

3. 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:
a)      x = variable que nos define el número de imperfecciones en la hojalata por cada 3
minutos = 0, 1, 2, 3, etc., etc.
l = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la hojalata
( 0.6 )1( 2.718 )0.6 ( 0.6 )( 0.548845 )  
p( x  1,  0.6 )    0.329307
1! 1
 
b)      x = variable que nos define el número de imperfecciones en la hojalata por cada 5
minutos = 0, 1, 2, 3, ...., etc., etc.
l = 0.2 x 5 =1 imperfección en promedio por cada 5 minutos en la hojalata
 ( 1 )0 ( 2.718 )1 ( 1 )( 2.718 )1 
p( x  2,3,4,etc ....  1 )  1  p( x  0,1,  1 )  1     
1-
 0! 1! 
(0.367918+0.367918)= 0.26416

4. La producción de televisores en SAMSUNG trae asociada una probabilidad de defecto

del 2%, si se toma un lote o muestra de 85 televisores, obtener la probabilidad de que
existan 4 televisores con defectos.
n = 85
P = 0.02
X=4
lambda = 1.7

5.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.
n = 20
p = 0.15
X=3
lambda =3