UNIVERSIDAD ESTATAL DEL SUR DE MANABÍ

FACULTAD DE CIENCIAS NATURALES Y DE LA AGRICULTURA

CARRERA DE INGENIERÍA FORESTAL

ESTADÍSTICA APLICADA
CUARTO SEMESTRE
TEMA:
 La distribución de Poisson.

PRESENTADO POR:
 Lino Villamar Sheyla
 Sánchez Rodríguez Danny

TUTOR:
Ing. Otto Mero Jalca

JIPIJAPA-MANABÍ-ECUADOR
Noviembre 2018 – Marzo 2019
 II

Índice
1. Introducción ...................................................................................................................... 1

2. Objetivos ............................................................................................................................ 2

2.1. Objetivo General ....................................................................................................... 2

2.2. Objetivos Específicos................................................................................................. 2

3. Desarrollo .......................................................................................................................... 3

3.1. Poisson ........................................................................................................................ 3

¿Qué es una distribución de Poisson? ............................................................................. 3

¿Qué es tasa de ocurrencia? ............................................................................................ 3

Diferencias entre la distribución de Poisson y la distribución binomial ..................... 4

Propiedades del modelo de Poisson ................................................................................. 4

Características de los procesos que producen una distribución de la probabilidad de

Poisson ............................................................................................................................... 6

Utilidad. ................................................................................................................................. 8

Fórmula de Poisson .............................................................................................................. 8

4. Conclusiones .................................................................................................................... 10

5. Bibliografía ...................................................................................................................... 11
 1

1. Introducción
La distribución de Poisson es una distribución de probabilidad discreta que expresa, a partir de
una frecuencia de ocurrencia media, 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".

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.
 2

2. Objetivos
2.1. Objetivo General

Utilizar la distribución de Poisson para obtener probabilidades de aquellas situaciones

gerenciales que ocurren de forma impredecible y ocasional.

2.2. Objetivos Específicos

 Identificar las propiedades de una distribución Poisson

 Determinar la fórmula de Poisson.

 Determinar el promedio, la varianza y la desviación estándar utilizando las variables de

la distribución de Poisson.
 3

3. Desarrollo
3.1. Poisson

¿Qué es una distribución de Poisson?

La distribución de Poisson se especifica por un parámetro: lambda (λ). Este parámetro es igual
a la media y la varianza. Cuando lambda aumente a valores lo suficientemente grandes, la
distribución normal (λ, λ) podría utilizarse para aproximar la distribución de Poisson.
(Verdugo, 2016)

Utilice la distribución de Poisson para describir el número de veces que un evento ocurre en
un espacio finito de observación. Por ejemplo, una distribución de Poisson puede describir el
número de defectos en el sistema mecánico de un avión o el número de llamadas a un centro
de llamadas en una hora. La distribución de Poisson se utiliza con frecuencia en el control de
calidad, los estudios de fiabilidad/supervivencia y los seguros. (Verdugo, 2016)

Una variable sigue una distribución de Poisson si se cumplen las siguientes condiciones:
(Verdugo, 2016)

 Los datos son conteos de eventos (enteros no negativos, sin límite superior).
 Todos los eventos son independientes.
 La tasa promedio no cambia durante el período de interés.
 Las siguientes gráficas representan distribuciones de Poisson con valores diferentes de
lambda. (Verdugo, 2016)

Lambda = 3 Lambda = 10

¿Qué es 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
 4

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. (Verdugo, 2016)

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. (Verdugo, 2016)

Se trata de un modelo discreto, pero en el que el conjunto de valores con probabilidad no nula
no es finito, sino numerable. Se dice que una variable aleatoria X sigue la distribución de
Poisson si su función de densidad viene dada por: (Verde, 2017)

Como vemos, este modelo se caracteriza por un sólo parámetro λ, que debe ser positivo.

Esta distribución suele utilizarse para contajes del tipo número de individuos por unidad de
tiempo, de espacio, etc. (Verde, 2017)

Propiedades del modelo de Poisson

1) Esperanza: E(X) = λ.

2) Varianza: V(X) = λ.

En esta distribución la esperanza y la varianza coinciden. (Verde, 2017)

 5

3) La suma de dos variables aleatorias independientes con distribución de Poisson resulta en

una nueva variable aleatoria, también con distribución de Poisson, de parámetro igual a la suma
de parámetros: (Verde, 2017)

X1 ~ P(λ = λ1) y X2 ~ P(λ = λ2)

y definimos Z = X1 + X2, entonces,

Z ~ P(λ = λ1 + λ2)

Este resultado se extiende inmediatamente al caso de n variables aleatorias independientes con

distribución de Poisson. En este caso, la variable suma de todas ellas sigue una distribución de
Poisson de parámetro igual a la suma de los parámetros. (Verde, 2017)

La función de masa de probabilidad de la distribución de Poisson es: (Verde, 2017)

Donde

 k es el número de ocurrencias del evento o fenómeno (la función nos da la probabilidad de

que el evento suceda precisamente k veces). (Verde, 2017)
 λ 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 4 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 = 10×4 = 40. (Verde, 2017)
 e es la base de los logaritmos naturales (e = 2,71828...) (Verde, 2017)

Tanto el valor esperado como la varianza de una variable aleatoria con distribución de Poisson
son iguales a λ. Los momentos de orden superior son polinomios de Touchard en λ cuyos
coeficientes tienen una interpretación combinatoria. De hecho, cuando el valor esperado de la
distribución de Poisson es 1, entonces según la fórmula de Dobinski, el n-ésimo momento
iguala al número de particiones de tamaño n. (Verde, 2017)
 6

La moda de una variable aleatoria de distribución de Poisson con un λ no entero es igual a [λ] ,
el mayor de los enteros menores que λ (los símbolos [ ] representan la función parte entera).
Cuando λ es un entero positivo, las modas son λ y λ − 1. (Verde, 2017)

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. (Vera, 2016)

Si dividimos las horas de gran tráfico en periodos (intervalos) de un segundo cada uno,
encontraremos que los siguientes enunciados son verdaderos: (Vera, 2016)

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. (Vera, 2016)
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. (Vera, 2016)
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. (Vera, 2016)
d) El número de llegadas en cualquier intervalo de un segundo no depende del número de
arribos de cualquier otro intervalo de un segundo. (Vera, 2016)

La distribución de Poisson se puede expresar de forma gráfica, ya que en realidad consiste en

un diagrama de barras, m similar a los obtenidos en la función de probabilidad, pero con forma
asimétrica positiva como sucede con la distribución binomial. Sin embargo al ir aumentando
los valores de λ, va adquiriendo la típica forma de campana de Gauss, pudiendo a deducirse,
que conforme aumenta λ, las variables de Poisson van a poder aproximarse a la distribución
normal, por el Teorema Central del Límite. La aproximación se considera buena para valores
de λ iguales o superiores a 9. (Gómez, 2016)
 7

Imagen 1. La figura es la gráfica de la función de probabilidad de variables Poisson

Imagen 2. La figura representa la gráfica de la función de probabilidad de variables Poisson.

Veamos un ejemplo:

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, etc.
λ = 6 cheques sin fondo por día
ε = 2.718
 8

(6)4 (2.718)−6 (1296)(0.00248)

𝑝 = (𝑥 = 4, 𝜆 = = = 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.

λ = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos días consecutivos

(12)10 (2.718)−12 (6.1917364𝐸10)(0.00000615)

𝑝 = (𝑥 = 10, 𝜆 = 12) = =
4! 3628800
= 0.104953 𝑅//

Utilidad.

I. La distribución 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.
(Gómez, 2016)
II. Permite determinar la probabilidad de ocurrencia de un suceso con resultado discreto.
(Gómez, 2016)
III. Es muy útil cuando la muestra o segmento n es grande y la probabilidad de éxitos p es
pequeña. (Gómez, 2016)
IV. Se utiliza cuando la probabilidad del evento que nos interesa se distribuye dentro de un
segmento n dado como por ejemplo distancia, área, volumen o tiempo definido.
(Gómez, 2016)

Fórmula de Poisson

𝝀𝒙 ∗ 𝒆−𝝀
𝑷(𝒙 | 𝝀 ) =
𝒙!
 P (x | λ) = la probabilidad de que ocurran X éxitos cuando el número promedio de
ocurrencia de ellos es λ
 λ media o promedio de éxitos por unidad de tiempo, área o producto
 e es la constante 2.7183, base de los logaritmos naturales, en tanto que los valores de e
-λ pueden obtenerse de tablas.
 X señala un valor específico que la variable pueda tomar (el número de éxitos que
deseamos ocurran)
 9

 Por definición, el valor esperado (media en el intervalo o región de interés) de una

distribución de probabilidad de Poisson es igual a la media de la distribución.

E(X) = λ

 La varianza del número de eventos de una distribución de probabilidad de Poisson

también es igual a la media de la distribución λ. De este modo, la desviación estándar
es la raíz cuadrada de λ.
V(X) = λ
σ = √λ

Ejemplos

𝝀𝒙 ∗ 𝒆−𝝀
𝑷(𝒙 | 𝝀 ) =
𝒙!
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 cuál es la probabilidad en 3 o menos (X ≤ 3), sumaremos las probabilidades de 0,1,
2, 3 lo que será igual a:

P(X ≤ 3) = P(0)+P(1)+P(2)+P(3) = 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 (X > 3) debe ser = 1 –0.26511 = 0.73489.
 10

4. Conclusiones

 La distribución de Poisson se utiliza con frecuencia en el control de calidad, los estudios

de fiabilidad/supervivencia y los seguros.
 Que se puede expresar de forma gráfica, ya que en realidad consiste en un diagrama de
barras, m similar a los obtenidos en la función de probabilidad, pero con forma
asimétrica positiva.
 La diferencia entre distribución de Poisson y distribución binomial es que a distribución
de Poisson es similar a la distribución binomial porque ambas modelan conteos de
eventos. Y 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.
 11

5. Bibliografía

Gómez, M. M. (19 de Octubre de 2016). ResearchGate. Obtenido de

https://www.researchgate.net/publication/50838895_La_distribucion_de_Poisson
Vera, B. (15 de Mayo de 2016). GestioPolis.com. Obtenido de
https://www.gestiopolis.com/que-es-la-distribucion-de-poisson/
Verde, J. (16 de Junio de 2017). Ub.edu. Obtenido de
http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capitulo3/B0C3m1t6
.htm
Verdugo, J. (20 de Agosto de 2016). Minitab® 18. Obtenido de
https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-
distributions-and-random-data/supporting-topics/distributions/poisson-distribution/