POR: J UAN F E RRE I RA Y ANT ONI O CABN

DISTRIBUCIN POISSON
POISSON
En la teora de la probabilidad y en la estadstica, la
distribucin de Poisson es una distribucin de
probabilidad discreta. Ella expresa, por ejemplo, la
probabilidad de que un correcto nmero de
eventos ocurran en un periodo de tiempo, si estos
ocurran con una tasa media conocida y si cada
evento es independiente del tiempo transcurrido
desde el ltimo evento.
USOS
La distribucin de Poisson se utiliza en situaciones
donde los sucesos son impredecibles o de
ocurrencia aleatoria. En otras palabras no se sabe
el total de posibles resultados.

Permite determinar la probabilidad de ocurrencia
de un suceso con resultado discreto.


USOS
Es muy til cuando la muestra o segmento n es
grande y la probabilidad de xitos p es pequea.

Se utiliza cuando la probabilidad del evento que
nos interesa se distribuye dentro de un segmento n
dado como por ejemplo distancia, rea, volumen
o tiempo definido.

USOS
La distribucin fue descubierta por Simon Denis
Poisson (17811840) y publicada, conjuntamente
con su teora de la probabilidad, en 1838.

Es en muchos sentidos la versin de tiempo
continuo del proceso de Bernoulli.

ALGUNOS EJEMPLOS
La llegada de un cliente al negocio durante una
hora.
Las llamadas telefnicas que se reciben en un da.
Los defectos en manufactura de papel por cada
metro producido.
PROCESO DE LLEGADA

Un proceso de llegada es una secuencia en
aumento de variables aleatorias, 0 < S
1
< S
2
<< ,
donde S
i
< S
i + 1
, es decir, una variable aleatoria X
tal que F
X
(0) = 0.

En el proceso de Poisson, las llegadas se pueden
producir en cualquier momento, y la probabilidad
de una llegada en cualquier instante particular es
0.

DEFINICIN Y PROPIEDADES DEL
PROCESO POISSON


Un proceso de Poisson es un ejemplo de un
proceso de llegada.

Proporcionar los tiempos entre llegadas y la
descripciones ms convenientes desde los tiempos
entre llegadas se definen como IID.

DEFINICIONES
Definicin 2.1.
Un proceso de renovacin es un proceso de
llegada para los que la secuencia de los tiempos
entre llegadas es una secuencia de las variables
aleatorias IID.
Definicin 2.2.
Un proceso de Poisson es un proceso de
renovacin en la que los intervalos entre llegadas
tienen una funcin de distribucin exponencial, es
decir, para algunos > 0 reales, cada X
i
tiene la
funcin densidad f
x
(x) = exp (- x) para x 0.
DEFINICIONES
Lo que hace que el proceso de Poisson sea nico
entre los procesos de renovacin es la propiedad sin
memoria de la distribucin exponencial.
Definicin 2.3
Variables aleatorias sin memoria : una variable
aleatoria X posee la propiedad sin memoria si Pr {X>
0} = 1, (es decir, X es una V. A. positiva) y, para cada
x 0 y t 0, Pr {X > t + x} Pr = {X> x} Pr {X> t}.

DEFINICIONES
Definicin 2.4.
Un proceso de conteo {N (t), t 0} tiene la
propiedad de incremento fijo si para todo t> t > 0,
N (t) - N (t) tiene la misma funcin de distribucin
que N (t - t).
Definicin 2.5.
Un proceso de conteo {N (t), t 0} tiene la
propiedad independiente de incremento si, para
cada entero k> 0, y cada k-veces 0 <t
1
<t
2
< <t
k
,
el k-veces de V. A. N (t
1
), N (t
1
, t
2
). . . , N (t
k-1
, t
k
) de
V.A. son estadsticamente independientes.

PROBABILIDAD DENSIDAD DE S
N
Y S
1
,.....
S
N

Recordemos que por un proceso de Poisson, S
n
es
la suma de n IID de una V.A. , cada uno con la
funcin de densidad f (x) = exp (- x), x 0.
Recordamos tambin que la densidad de la suma
de dos V.A. independientes se pueden encontrar
por convolucin de sus densidades, y por lo tanto
la densidad de S
2
se puede encontrar por
convolucin de f (x) con ella misma, S
3
por
convolucin de la densidad de S
2
con f (x) , y as
sucesivamente. El resultado, para t 0, se llama la
densidad de Erlang.
FUNCION ERLANG

Funcin densidad Erlang

f
Sn
(t) =


Se utiliza la distribucin Erlang para describir el
tiempo de espera hasta el suceso nmero k en un
proceso de Poisson.
EL PMF PARA N(T)
El proceso de conteo de Poisson, {N (t), t> 0} se
compone de un nmero entero positivo de la V.
A. N (t) para cada t> 0. En esta seccin, se muestra
que la PMF para esta V.A. es el conocido Poisson
PMF.
Teorema 2.3
Para que un proceso de Poisson de tasa , y para
cualquier t> 0, el PMF para N (t) (es decir, el nmero
de llegadas (0, t]) est dada por la distribucin
Poisson PMF, P
N(t)
(n)=
DEFINICIN ALTERNA DEL PROCESO
POISSON
Definicin 2 del proceso de Poisson:
Un proceso de conteo de Poisson {N
(t), t 0} es un proceso de recuento
que satisface P
N(t)
(n)= ( )
(es decir, tiene el PMF de Poisson) y
tiene las propiedades de incremento
independientes y estacionarios.
DEFINICIONES
Hemos visto que las
propiedades en la Definicin 2
se satisfacen a partir de la
definicin 1 (IID con tiempos
entre llegadas exponencial),
por lo que la definicin 1
implica la definicin 2.
DEFINICIONES
La definicin siguiente de un proceso de Poisson se
basa en sus propiedades elementales. Considere el
nmero de llegadas en un intervalo muy pequeo
(t, t + ). Dado que (t, t + ) tiene la misma
distribucin N(), utilizamos P
N(t)
(n)=

De aqu deducimos que:


DEFINICIONES

3RA DEFINICIN DEL PROCESO DE
POISSON
Un proceso de conteo de Poisson es un proceso de
recuento que satisfaga las ecuaciones anteriores y
tiene las propiedades de incremento fijo e
independiente.
Hemos visto tambin que la definicin 1 implica la
definicin 3. La esencia del argumento de otra
forma es que para cualquier intervalo entre
llegadas X, F
X
(x + )-F
X
(x) es la probabilidad de una
llegada en un intervalo apropiado infinitesimal de
ancho , que por las ecuaciones anteriores es +
o(). Al convertir esto en una ecuacin diferencial
obtenemos los intervalos deseados entre llegadas
exponencial.
DEFINICIONES
La definicin 3 tiene un atractivo intuitivo, ya que se
basa en la idea de llegadas independientes
durante intervalos disjuntos arbitraria. Tiene el
inconveniente de que hay que hacer una
cantidad considerable de trabajo para asegurarse
de que estas condiciones sean coherentes entre s,
y probablemente la forma ms fcil es comenzar
con una definicin y obtener estas propiedades.
LA DISTRIBUCIN DE POISSON ES
EL LIMITE DE LA DE BERNOULLI.
La definicin 3 se puede lograr de una manera
menos abstracta, comenzando con el proceso de
Bernoulli.
Cuando vamos a un lmite adecuado de una
secuencia de estos procesos, encontramos que
esta secuencia de procesos de Bernoulli converge
en cierto sentido al proceso de Poisson.
TEOREMA
Teorema 2.4.
Considere la secuencia de la contraccin de los
procesos de Bernoulli con probabilidad de llegada
2
-J
y el tamao de time-slot 2
-j
. A continuacin,
para cada tiempo t > 0 y nmero fijo de n llegadas,
el recuento PMF
PN
3

(t)
(n) se aproxima a la PMF de
Poisson (es la misma ) es decir, con el aumento de
j.
Este es:

COROLARIO
Corolario 2.1
Para cualquier entero finito k > 0, dejar 0 < t
1
< t
2
<
< t
k
para cualquier conjunto en en cualquier
instante o tiempo. Entonces la funcion distribucin
conjunta de N
j
(t
1
), N
j
(t
2
),, N
j
(t
k
), se aproxima a la
funcin de distribucin conjunta de N(t
1
), N(t
2
),.
N(t
k
) para j .

APLICACIONES
SE PUEDE UTILIZAR COMO UNA APROXIMACION DE
LA BINOMIAL BIN(n,p), SI EL NUMERO DE PRUEBAS N
ES GRANDE PERO LA PROBABILIDAD DE EXITO ES
PEQUENA:
UNA REGLA USADA ES QUE LA APROXIMA-CION ES
BUENA SI n>= 20 y p <= 0.01.
SE USA TAMBIEN CUANDO UN EVENTO O SUCESO
OCURRE ALEATORIAMENTE EN EL ESPACIO ON EL
TIEMPO.
APLICACIONES
LA VARIABLE ASOCIADA ES EL NUMERO DE
OCURRENCIAS DEL EVENTO EN UN INTERVALO DE
TIEMPO O ESPACIO CONTINUO,POR LO TANTO
TOMA VALORES DE 0 EN ADELANTE,
(0,1,2,3,.).
ASI POR EJ. : EL NUMERO DE LLAMADAS AL 911,
CLIENTES EN UN NEGOCIO;GLOBULOS BLANCOS EN
UN MM CUBICO DE SANGRE;
APLICACIONES
DEFECTOS EN PRODUCTOS; SINIESTROS EN CIERTOS
SEGUROS DE VIDA; FUEGOS; ACCIDENTES;
RECURRENCIA DE TERREMOTOS REACCIONES
ADVERSAS POR MEDICAMENTOS FALLAS EN
EQUIPOS. ETC.
EVENTO RARO SE CONCEPTUALIZA COMO AQUEL
EN QUE LA PROBABBILIDAD DE OBSERVAR K
EVENTOS DECRECE RAPIDAMENTE A MEDIDA QUE
K AUMENTA
APLICACIONES
MUCHOS HECHOS OCURREN COMO :
NUMERO DE ACCIDENTES / DIA
NUMERO DE VEHICULOS QUE TRANSITAN POR UN
LUGAR DETERMINADO / HORA,MINUTO,INTERVALO
NUMERO DE DEFECTOS/ CM^2
NUMERO DE BACTERIAS / CM^3
NUMERO DE PAGINAS VISITADAS EN LA WEB
/SEGUNDO, MINUTO, HORA .
CONDICIONES
PARA QUE UNA VARIABLE SIGA UNA DISTRIBUCION
DE POISSON SE DEBEN CUMPLIR VARIAS
CONDICIONES:
LA PROBABILIDAD DE UN EVENTO ES UN NUMERO
MUY PEQUENO Y ES UNA CONSTANTE PARA CADA
UNIDAD DE TIEMPO POR EJ 1 SEG.
A LA PROBABILIDAD DE QUE DOS EVENTOS O MAS
OCURRAN EN UN SEGUNDO SE LE PUEDA ASIGNAR
UN CERO.
CONDICIONES
EL NUMERO DE EVENTOS EN DETERMINADO
INTERVALO DE TIEMPO ES INDEPENDIENTE DEL
TIEMPO TRANSCURRIDO Y NO HAY MEMORIA SOBRE
CUALESQUIERA EVENTOS DE LO QUE OCURRIO EN
CUALQUIER OTRO INTERVALO.

CONDICIONES
Las condiciones experimentales
deben ser constantes a lo largo de
todo el intervalo
Los resultados del experimento
deben ser independientes cuando se
refieren a intervalos disjuntos.
La tasa media de aparicin del
suceso, en cualquier intervalo de
longitud uno, es constante y se
representa por LAMBDA .




CONDICIONES
La probabilidad de que el suceso ocurra una sola
vez en un intervalo de amplitud h
suficientemente pequea, debe ser
aproximadamente (LAMBDA) * h.
La probabilidad de dos o mas ocurrencias del
suceso, en un intervalo suficientemente pequeo,
debe ser prcticamente cero.
PROPIEDADES
1. = E(X) = (LAMBDA).
2. ^2 (SIGMA^2) = Var(X) = (LAMBDA).
3. Sean X1 =P(LAMBDA 1) y X2 = P(LAMBDA 2) v.a.
independientes, entonces X1 + X2 = P(LAMBDA1 +
LAMBDA2).
ECUACION DE POISSON

Pr(X = k) = e(lambda) t^[ (
(lambda) t) ^ k/k! ]

si k = 0, 1, 2, . .
CARROS EN UN PEAJE
ESTE ES UN EJEMPLO CONCRETO DE APLICACION
PARA VER COMO SE PUEDE COMPARAR , SI ES
POSIBLE, UNA SITUACION TIPICA DE LA VIDA REAL
CON EL MODELO DE DISTRIBUCION DE POISSON.
SE OBSERVO QUE A TRAVES DE UN PEAJE CRUZABAN
EN UN MOMENTO DETERMINADO 2102 CARROS
POR HORA.
CARROS EN UN PEAJE
SE SELECCIONARON 11 INTERVALOS DE TIEMPO
CON UNA DURACION DE 15 SEGUNDOS CADA UNO.
SE CONSTRUYO UNA TABLA EN EXCEL PARA
LOGRAR UNA VISON COMPLETA Y CON GRAFICAS
DE TODO EL PROCESO.
LA PREGUNTA ES:? SERA POSIBLE QUE EL TRAFICO
DE VEHICULOS SE COMPORTE COMO UN PROCESO
DE POISSON???
BIBLIOGRAFIA
DISCRETE STOCHASTIC PROCESSES,
R.G.GALLAGER,2010,CHAP2.
MICROSOFT, EXCEL, 2010.
http://search.conduit.com/Results. q= Poisson
distribucion . DISTRIBUCIONES MAS USUALES.
http://dxsp.sergas.es/ApliEdatos/Epidat/Ayuda/4-
Ayuda.pdf
http://www.matematicasypoesia.com.es
/Estadist/ManualCPE00.htm