LA DISTRIBUCIÓN DE POISSON

INTEGRANTES
Samantha Pedroza G.
Elias Rodriguez R.
 OBJETIVOS

Objetivos generales:
● Determinar y concretar la distribución de
poisson a partir de una frecuencia de
ocurrencia media.

Objetivos específicos:
● Identificar las propiedades de la distribución
de poisson.
● Describir el intervalo de confianza.
● Analizar conceptos tales como: (suma de
variables aleatorias de poisson,distribución
binomial, aproximación normal, distribución
exponencial).
● Elaborar ejemplos basados en la teoría
expuesta.
● Definir los procesos de poisson por medio de actividades y preguntas participativas que corroboren a la
claridad y entendimiento del tema.
 PALABRAS CLAVE

● Distribución de probabilidad discreta: Es una

función que asigna a cada suceso definido sobre la
variable la probabilidad de que dicho suceso
ocurra.
● Infinitésimo: Es una función cuyo límite es cero
cuando la variable independiente x se aproxima
hacia el valor x = a, o dicho de otra forma, una
función cuyos valores se aproximan tanto más al
cero cuanto más se aproxima x hacia el valor a.
● Parámetros

● Dominio

● Función de probabilidad

● Dicotómico: Un par de conceptos

complementarios.
● Cuantía: Número de unidades, tamaño o porción
de una cosa, especialmente cuando es
indeterminado.
MARCO TEÓRICO

La distribución de Poisson, tiene este nombre gracias a su creador, el francés Simeón Dennis Poisson(1781-1840).

Esta distribución de probabilidad fue unos de los múltiples trabajos matemáticos que Dennis realizó a lo largo de
su productiva trayectoria; principalmente fue creada para encontrar el intervalo de tiempo, distancia, área y
volumen.

● La DP se suele utilizar en aquellas situaciones donde los sucesos son imprescindibles o de ocurrencia
aleatoria. Es decir, no se sabe de cierta manera el total de los posibles resultados.

● Este determina la probabilidad de ocurrencia de un suceso dado un resultado discreto, puesto que se forma
por conteo.

● Se utiliza o es de gran utilidad cuando la muestra en una determinada población es muy grande y su
probabilidad es muy pequeña.

● Es la probabilidad de que ocurra un determinado número de eventos durante cierto período de tiempo.
Concretamente, se especializa en la probabilidad de ocurrencia de sucesos con probabilidades muy
pequeñas, o sucesos raros
Propiedades

La función de densidad de probabilidad de la distribución de Poisson es:

Donde:
● k es el número de ocurrencias del evento o fenómeno.
● λ(varianza o moda) es un parámetro positivo que representa el número de veces que se espera que ocurra el
fenómeno durante un intervalo dado. Por ejemplo, si el suceso estudiado tiene lugar en promedio 3 veces
por minuto y estamos interesados en la probabilidad de que ocurra k veces dentro de un intervalo de 10
minutos, usaremos un modelo de distribución de Poisson con λ = 10×3 = 30.
● e es la base de los logaritmos naturales (e = 2,71828...).
● ! (factorial),
La probabilidad de nuestra variable aleatoria X viene dada por la siguiente expresión:

donde:

Nuestra variable aleatoria discreta puede tomar los valores:

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
La desviación típica es

Cuando realizamos un experimento contando sucesos y obtenemos un valor x, su error vendrá determinado por la
raíz de 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.
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.
Intervalo de confianza

Un intervalo de confianza es un rango de valores, derivado de los estadísticos de la muestra, que posiblemente
incluya el valor de un parámetro de población desconocido.

¿Como se debe emplear?, Ejemplo:

Utilice el intervalo de confianza para evaluar la estimación del parámetro de población. Por ejemplo, un fabricante
desea saber si la longitud media de los lápices que produce es diferente de la longitud objetivo. El fabricante toma
una muestra aleatoria de lápices y determina que la longitud media de la muestra es 52 milímetros y el intervalo
de confianza de 95% es (50,54). Por lo tanto, usted puede estar 95% seguro de que la longitud media de todos los
lápices se encuentra entre 50 y 54 milímetros.

El intervalo de confianza se determina calculando una estimación de punto y luego determinando su margen de
error.

En la actualidad…
Un criterio fácil y rápido para calcular un intervalo de confianza aproximada de λ es propuesto por Guerriero
(2012).1​Dada una serie de eventos k (al menos el 15 - 20) en un periodo de tiempo T, los límites del intervalo de
confianza para la frecuencia vienen dadas por:
¿Que es la 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.
Ejemplo #2:
Tres ejecutivos del Insalud opinan que el número medio de pacientes que llegan a cierto servicio nocturno de
guardia durante una hora es 2 , según el primero, 3 , según el segundo, y 4 según el tercero.
Sus opiniones pueden ponderarse teniendo en cuenta que el primero tiene el doble de experiencia profesional
que los otros dos.
Para tomar una decisión de asignación de personal en ese servicio quieren estimar el número medio de pacientes,
sin despreciar sus opiniones , por lo que realiza una experiencia controlando una hora de actividad en el servicio
en la que acuden 3 pacientes .Esta información la van a combinar con la inicial a través de un proceso Bayesiano :
¿cómo lo harían?
La distribución a priori será tal que deberá asignarse el doble de probabilidad a la alternativa propuesta por el
primer experto que a las de los otros dos. Así que será:

De manera que la estimación inicial sería,la media de la distribución a priori:

Relación con otras distribuciones

SUMA DE VARIABLES ALEATORIAS DE POISSON:

La suma de variables aleatorias de Poisson independientes es otra variable aleatoria de Poisson cuyo parámetro es
la suma de los parámetros de las originales. Dicho de otra manera, si

son N variables aleatorias de Poisson independientes, entonces

DISTRIBUCIÓN BINOMIAL:
Es una distribución de probabilidad discreta que cuenta el número de éxitos en una secuencia de n ensayos de
Bernoulli independientes entre sí, con una probabilidad fija p de ocurrencia del éxito entre los ensayos. Un
experimento de Bernoulli se caracteriza por ser dicotómico, esto es, solo dos resultados son posibles.

Las siguientes situaciones son ejemplos de experimentos que pueden modelizarse por esta distribución:

Se lanza un dado diez veces y se cuenta el número X de tres obtenidos: entonces X ~ B(10, 1/6).
 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.
APROXIMACIÓN NORMAL:
Como consecuencia del teorema central del límite, para valores grandes de , una variable aleatoria de Poisson X
puede aproximarse por otra normal dado que el cociente

converge a una distribución normal de media 0 y varianza 1.u

DISTRIBUCIÓN EXPONENCIAL:
Supóngase que para cada valor t > 0, que representa el tiempo, el número de sucesos de cierto fenómeno
aleatorio sigue una distribución de Poisson de parámetro λt. Entonces, los tiempos transcurridos entre dos sucesos
sucesivos sigue la distribución exponencial.
EJEMPLO DE DISTRIBUCIÓN DE POISSON

Si el 2% 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. En este caso concreto, k es 5 y, λ, el valor esperado de libros defectuosos es el 2% de 400,
es decir, 8. Por lo tanto, la probabilidad buscada es

SUSTITUCIÓN DE LA PROBABILIDAD EN LA
DISTRIBUCIÓN DE POISSON
QUE DEBEMOS TENER EN CUENTA PARA REPRESENTAR UNA
GRÁFICA DE POISSON

La representación gráfica para un

modelo de media 11 sería la adjunta .
Obsérvese los valores próximos en la
media y su forma parecida a la
campana de Gauss , en definitiva , a la
distribución normal.

Factores a tener en cuenta:

★ Media.
★ Varianza.
★ Moda.
Las siguientes gráficas representan distribuciones de
Poisson con valores diferentes de lambda.

Lambda = 3 Lambda = 10
TABLA DE DISTRIBUCIONES
 PROCESOS DE POISSON
Esta distribución puede ser aplicada a varios fenómenos discretos de la naturaleza
(esto es, aquellos fenómenos que ocurren 0, 1, 2, 3,... veces durante un periodo
definido de tiempo o en un área determinada) cuando la probabilidad de ocurrencia
del fenómeno es constante en el tiempo o el espacio. A continuación podremos
observar casos concretos en los que podremos utilizar la distribución de poisson:

● El número de autos que pasan a través de un cierto punto en una ruta

(suficientemente distantes de los semáforos) durante un periodo definido de
tiempo.
● El número de errores de ortografía que uno comete al escribir una única
página.
● El número de llamadas telefónicas en una central telefónica por minuto.
● El número de servidores web accedidos por minuto.
● El número de animales muertos encontrados por unidad de longitud de ruta.
● El número de mutaciones de determinada cadena de ADN después de cierta
cantidad de radiación.
● El número de núcleos atómicos inestables que se han desintegrado en un
determinado período.
● El número de estrellas en un determinado volumen de espacio.
● La distribución de receptores visuales en la retina del ojo humano.
● La inventiva de un inventor a lo largo de su carrera.
● La distribución de la riqueza humana.
 CONCLUSIONES
Podemos determinar que la probabilidad de poisson
tiene diversas aplicaciones en la vida real que nos ayuda
a agilizar cualquier evento del que se desee encontrar
una posibilidad o probabilidad y no solo eso si no que
en el mundo estadístico esta tiene relación con otras
distribuciones antes mencionadas y es por eso la
importancia de la cual se debe conocer.

Además de tener un uso fluido en la cotidianidad nos

permite involucrar en cada caso haciéndonos resolver
con un análisis crítico y estadístico, para así llegar a un
objetivo o un punto concreto de la respuesta.
 CIBERGRAFÍAS Y BIBLIOGRAFÍAS

● https://www.mindmeister.com/es/1037108194/distribuci-n-normal-binomial-y-de-poisson?full
screen=1
● https://www.mindmeister.com/es/1037108194/distribuci-n-normal-binomial-y-de-poisson
● https://www.ugr.es/~eues/webgrupo/Docencia/MonteroAlonso/estadisticaII/tema3.pdf
● http://ri.uaemex.mx/oca/view/20.500.11799/32028/1/secme-21239.pdf
● https://es.slideshare.net/jramosalacayo1/distribucion-normal-binomial-y-poisson
● https://support.minitab.com/es-mx/minitab/18/help-and-how-to/statistics/basic-statistics/sup
porting-topics/basics/what-is-a-confidence-interval/
● https://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Poisson
● https://www.google.com/search?ei=0vDqXLHYDqut5wK_xqzoAw&q=que+es+la+media+en+est
adistica&oq=que+es+la+mdia&gs_l=psy-ab.1.0.0i10l10.1537643.1538653..1540366...0.0..0.39
7.1708.0j2j4j1......0....1..gws-wiz.......0i71j0i67j0j0i67i70i249.k446IAt1QD0
● https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/poisson.htm
● https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-distributions-and
-random-data/supporting-topics/distributions/poisson-distribution/