DISTRIBUCIONES DE PROBABILIDAD

4.3 Distribución de Poisson

Los experimentos que dan valores numéricos de una variable aleatoria X , el número de
resultados que ocurren durante un intervalo dado o en una región específica, se llaman
experimentos de Poisson. El intervalo dado puede ser de cualquier longitud, como un
minuto, un día, una semana, un mes o incluso un año. Por ello un experimento de Poisson
puede generar observaciones para la variable aleatoria X que representa el número de
llamadas telefónicas por hora que recibe una oficina, el número de días que la escuela
permanece cerrada debido a la nieve durante el invierno o el número de juegos suspendidos
debido a la lluvia durante la temporada de béisbol. La región específica podría ser un
segmento de línea, un área o quizá una pieza de material. En tales casos X puede
representar el número de ratas de campo por acre, el número de bacterias en un cultivo o
el número de errores mecanográficos por página.

Propiedades del proceso de Poisson

1. El número de resultados que ocurren en un intervalo o región específica es
independiente del número que ocurre en cualquier otro intervalo o región del espacio
disjunto. De este modo vemos que el proceso de Poisson no tiene memoria.
2. la probabilidad de que ocurra un solo resultado durante un intervalo muy corto o en una
región pequeña es proporcional a la longitud del intervalo o al tamaño de la región y no
depende del número de resultados que ocurren fuera de este intervalo o región.
3. La probabilidad de que ocurra más de un resultado en el intervalo corto o que caiga en
la región pequeña es insignificante.

El número X de resultados que ocurren en un experimento de Poisson se llama variable

aleatoria de Poisson y su distribución de probabilidad se llama distribución de Poisson. El
número medio de resultados se calcula de 𝜇 = 𝜆𝑡, donde 𝑡 es el tiempo o región específico
de interés. Como sus probabilidades dependen de 𝜆, la tasa de ocurrencia de los resultados,
las denotaremos con el símbolo 𝑃(𝑥; 𝜆𝑡). El siguiente concepto se utiliza para calcular
probabilidades de Poisson.

Distribución de Poisson
La distribución de la variable aleatoria de Poisson 𝑋, que representa el número de
resultados que ocurren en un intervalo dado o región específica que se denota con 𝑡, es

𝑒 −𝜆𝑡 (𝜆𝑡)𝑥
𝑝(𝑥; 𝜆𝑡) = , 𝑥 = 0,1,2, …,
𝑥!

donde 𝜆 es el número promedio de resultados por unidad de tiempo o región y 𝑒 =

2.71828 …

La tabla A.2 contiene la suma de la probabilidad de Poisson

15
DISTRIBUCIONES DE PROBABILIDAD

𝑃(𝑟; 𝜇) = ∑ 𝑝(𝑥; 𝜇)
𝑥=0

para algunos valores de 𝜆𝑡 que van de 0.1 a 18.

Ejemplo 11
Durante un experimento de laboratorio el número promedio de partículas radiactivas que
pasan a través de un contador en un milisegundo es 4. ¿Cuál es la probabilidad de que 6
partículas entren al contador en un milisegundo dado?

Solución
X: número de partículas que pasan a través de un contador en un milisegundo,
𝜆𝑡 = 4, 𝑥 = 6
Fórmula de la distribución de Poisson

𝑒 −𝜆𝑡 (𝜆𝑡)𝑥
𝑝(𝑥; 𝜆𝑡) =
𝑥!

𝑒 −4 (4)6
𝑃(𝑋 = 6) = 𝑝(6; 4) = = 0.1042 ◀
6!

Utilizando la tabla A.2

6 5

𝑃(𝑋 = 6) = ∑ 𝑝(𝑥; 4) − ∑ 𝑝(𝑥; 4) = 0.8893 − 0.7851 = 0.1042 ◀

𝑥=0 𝑥=0

De la tabla A.2 de la distribución de Poisson (pág. 7) se busca la tabla donde se encuentre

𝜇 = 4 y 𝑟 = 6 para encontrar ∑6𝑥=0 𝑝(𝑥; 4) y después 𝜇 = 4 y 𝑟 = 5 para encontrar
∑5𝑥=0 𝑝(𝑥; 4) como se muestra a continuación.

16
DISTRIBUCIONES DE PROBABILIDAD

Ejemplo 12
En promedio en cierto crucero ocurren tres accidentes de tránsito por mes. ¿Cuál es la
probabilidad de que para cualquier mes dado en este crucero
a) ocurran exactamente 5 accidentes?
b) ocurran menos de 3 accidentes?
c) ocurran al menos 2 accidentes?

Solución
X: número de accidentes de tránsito por mes.
𝜇=5
a) 𝑃(𝑋 = 5) =?

Utilizando la fórmula de la distribución d Poisson

𝑒 −5 (5)5
𝑃(𝑋 = 5) = 𝑝(5; 5) = = 0.1775 ◀
5!

Utilizando la tabla A.2

5 4

𝑃(𝑋 = 5)) = ∑ 𝑝(𝑥; 5) − ∑ 𝑝(𝑥; 5) = 0.6160 − 0.4405 = 0.1755 ◀

𝑥=0 𝑥=0

b) 𝑃(𝑋 < 3) =? 𝑋 < 3 comprende 𝑥 = 0,1,2

𝑃(𝑋 < 3) = ∑ 𝑝(𝑥; 5) = 0.1247 ◀

𝑥=0

c) 𝑃(𝑋 ≥ 2) =? 𝑋 ≥ 2 comprende 𝑥 = 2, 3, … , 𝑟

17
DISTRIBUCIONES DE PROBABILIDAD

𝑟 1

𝑃(𝑋 ≥ 2) = ∑ 𝑝(𝑥; 5) = 1 − ∑ 𝑝(𝑥; 5) = 1 − 0.0404 = 0.9696 ◀

𝑥=2 𝑥=0

Ejemplo 13
El número de defectos por pie cuadrado de tela de un equipo de filtros se distribuye de
acuerdo con la ley de Poisson, con una media de 0.8. si se elige un pie cuadrado de tela al
azar, calcula la probabilidad de que la tela tenga:
a) Ningún defecto;
b) Cuando menos 1 defecto;
c) Exactamente, 2 defectos.
Solución
X: número de defectos por pie cuadrado

a) 𝑃(𝑋 = 0) =? de la tabla A.2 se considera 𝑟 = 0 y 𝜇 = 0.8

𝑃(𝑋 = 0) = 𝑝(0; 0.8) =0.4493 ◀

b) 𝑃(𝑋 ≥ 1)) =?
𝑟

𝑃(𝑋 ≥ 1) = ∑ 𝑝(𝑥; 0.8) = 1 − 𝑝(0; 0.8) = 1 − 0.4493 = 0.5507 ◀

𝑥=1

c) 𝑃(𝑋 = 2) =?

18
DISTRIBUCIONES DE PROBABILIDAD

2 1

𝑃(𝑋 = 2) = ∑ 𝑝(𝑥; 0.8) − ∑ 𝑝(𝑥; 0.8) = 0.9526 − 0.8088 = 0.1438 ◀

𝑥=0 𝑥=0

Como la distribución binomial, la distribución de Poisson se utiliza para control de calidad,

seguro de calidad y muestreo de aceptación. Además, ciertas distribuciones continuas
importantes que se usan en la teoría de confiabilidad y teoría de colas dependen del
proceso se Poisson

Teorema 2
La media y la varianza de la distribución de Poisson 𝑝(𝑥; 𝜇) tienen el valor 𝜇𝑡.

Ejemplo 14
El número de clientes que llegan por hora a ciertas instalaciones de servicio automotriz se
supone que sigue una distribución de Poisson con media 𝜆 = 7.
a) Calcule la probabilidad de que más de 10 clientes lleguen en un periodo de 2 horas.
b) ¿Cuál es el número medio de llegadas durante un periodo de 2 horas?

Solución
X: número de clientes que llega por hora
𝜇 = 𝜆𝑡; 𝜇 = (7)(2) = 14

a) 𝑃(𝑋 > 10) =? el signo > indica que se debe tomar el entero mayor a 10

𝑟 10

𝑃(𝑋 > 10) = ∑ 𝑝(𝑥; 14) = 1 − ∑ 𝑝(𝑥; 14) = 1 − 0.1757 = 0.8243 ◀

𝑥=11 𝑥=0

b) el número medio de llegadas durante un periodo de 2 horas será:

𝜇 = 𝜆𝑡; 𝜇 = (7)(2) = 14 ◀

19
DISTRIBUCIONES DE PROBABILIDAD

Distribución de Poisson como forma limitante de la binomial

Debe ser evidente de los tres principios del proceso de Poisson de que la distribución de
Poisson se relaciona con la distribución binomial. Aunque la de Poisson por lo general
encuentra aplicaciones en problemas de espacio y tiempo, aun así se puede ver como una
forma limitante de la distribución binomial. En el caso de la binomial, si 𝑛 es grande y 𝑝 es
pequeña, las condiciones comienzan a simular las implicaciones de espacio continuo o
región temporal del proceso de Poisson. La independencia entre las pruebas de Bernoulli
en el caso binomial es consistente con la propiedad 2 del proceso de Poisson. Si se hace el
parámetro 𝑝 cercano a cero se relaciona con la propiedad 3. En realidad, derivemos ahora
la distribución de Poisson como forma limitante de la distribución binomial cuando 𝑛 → ∞,
𝑝 → 0, y 𝑛𝑝 permanece constante. De aquí, si 𝑛 es grande y 𝑝 cercana a 0. Se puede usar la
distribución de Poisson, con 𝜇 = 𝑛𝑝, para aproximar probabilidades binomiales. Si 𝑝 esta
cercana a 1, aun podemos utilizar la distribución de Poisson para aproximar las
probabilidades binomiales mediante el intercambio de lo que definimos como éxito y
fracaso, cambiamos con ello 𝑝 a un valor cercano a 0.

Teorema 4
Si 𝑋 una variable aleatoria binomial con distribución de probabilidad 𝑏(𝑥; 𝑛, 𝑝). Cuando
𝑛 → ∞, 𝑝 → 0, y 𝜇 = 𝑛𝑝 permanece constante,

𝑏(𝑥; 𝑛, 𝑝) → 𝑝(𝑥; 𝜇)

Ejemplo 15
En ciertas instalaciones industriales los accidentes ocurren con muy poca frecuencia. Se
sabe que la probabilidad de un accidente en cualquier día dado es 0.005 y los accidentes
son independientes entre sí.
a) ¿Cuál es la probabilidad de que en cualquier periodo dado de 400 días habrá un
accidente en un día?
b) ¿Cuál es la probabilidad de que haya a lo más tres días con un accidente?

Solución
Sea 𝑋 una variable aleatoria binomial con 𝑛 = 400 y 𝑝 = 0.005, como 𝑛 es grande y 𝑝 es
cercana a cero utilizar aproximación de Poisson con

𝜇 = (400)(0.005) = 2

a) 𝑃(𝑋 = 1)) =?

Utilizando la fórmula de la distribución de Poisson

𝑒 −2 (2)1
𝑃(𝑋 = 1)) = 𝑝(1; 2) = 1!
= 0.271 ◀

20
DISTRIBUCIONES DE PROBABILIDAD

b) 𝑃(𝑋 ≤ 3) =?
3

𝑃(𝑋 ≤ 3) = ∑ 𝑝(𝑥; 2) = 0.857 ◀

𝑥=0

Ejemplo 16
En un proceso de fabricación donde se manufacturan productos de vidrio ocurren defectos
o burbujas, lo cual ocasionalmente deja a la pieza indeseable para su venta. Se sabe que, en
promedio, 1 de cada 1000 de estos artículos que se producen tiene una o más burbujas.
¿Cuál es la probabilidad de que una muestra aleatoria de 8000 tenga menos de 7 artículos
con burbujas?

Solución
X: número de burbujas
1
Éste es en esencia un experimento binomial con 𝑛 = 8000 y 𝑝 = 1000 = 0.001. Como 𝑝
es muy cercana a cero y 𝑛 es bastante grande, utilizar aproximación con la distribución de
Poisson con

𝜇 = (8000) (0.001) = 8

6 6

𝑃(𝑋 < 7) = ∑ 𝑏(𝑥; 8000, 0.001 ≈ ∑ 𝑝(𝑥; 8) = 0.3134 ◀

𝑥=0 𝑥=0

21
DISTRIBUCIONES DE PROBABILIDAD

PROBLEMAS PARA RESOLVER

8. Una secretaria comete dos errores por página, en promedio. ¿Cuál es la probabilidad de
que en la siguiente página cometa
a) 4 o más errores?
b) ningún error.
9. Un fabricante de automóviles se preocupa por una falla en el mecanismo de freno de
un modelo específico. La falla puede causar en raras ocasiones una catástrofe a alta
velocidad. Suponga que la distribución del número de automóviles por año que
experimentará la falla es una variable aleatoria de Poisson con λ = 5.
a) ¿Cuál es la probabilidad de que, a lo más, 3 automóviles por año sufran una
catástrofe?
b) ¿Cuál es la probabilidad de que más de 1 automóvil por año experimente una
catástrofe?
10. El número promedio de pedidos de llaveros en una tienda durante un día es de 2.4,
¿Cuál es la probabilidad de que en un día determinado el número de pedidos de llaveros
sea de
a) 0.
b) al menos 1.
c) entre 3 y 5 inclusive?
11. La probabilidad de que una persona muera de cierta infección respiratoria es 0.002.
Encuentre la probabilidad de que mueran menos de 5 de los siguientes 2000 infectados
de esta forma.

22