Está en la página 1de 14

DISTRIBUCION DE POISSON

LA DISTRIBUCION DE POISSON
DEFINICION. Sea X una variable aleatoria que toma los valores posibles 0,1,,n,. Si

decimos que X tiene una distribucin de Poisson con parmetro > 0.

OBSERVACION. Puesto que estamos definiendo directamente la variable aleatoria en funcin de su recorrido y distribucin de probabilidades, sin referencia a ninguna espacio muestral original S, podemos suponer que el espacio muestral S ha sido identificado con Rx y que X(s)=s.

ESPERANZA Y VARIANZA
TEOREMA. Si X tiene una distribucin de Poisson con parmetros entonces E(X) = y V(x) =

LA DISTRIBUCION DE POISSON COMO UNA APROXIMACION A LA DISTRIBUCION BINOMIAL


La distribucin de Poisson desempea un papel importante como modelo probabilstico apropiado para un gran nmero de fenmenos aleatorios.

Ejemplo
Suponiendo que las llamadas telefnicas llegan a una gran central telefnica y que en un periodo especial de tres horas (180 minutos) se ha recibido un total de 270 llamadas, osea 1,5 llamadas por minuto. Supongase que con base en la evidencia anterior, queremos calcular la probabilidad de recibir, 0, 1, 2, etc llamadas durante los prximos tres minutos.

De esto podemos observar que:

en cualquier instante es tan probable que ocurra una llamada telefnica como en cualquier instante.

an en un intervalo de tiempo muy corto, el numero de puntos no solo es infinito sino que no puede ser numerado

Esto nos lleva a una serie de aproximaciones:

Podramos considerar la subdivisin del intervalo de tres minutos en nueve subintervalos de 20 segundos cada uno. Podramos considerar entonces cada uno de esos nueve intervalos como un experimento de Bernoulli durante el cual observamos una llamada (xito) o ninguna llamada (fracaso) con P(xito) = (1,5)20/60 =0,5. As podramos estar inclinados a decir que la probabilidad de dos llamadas durante el intervalo de tres minutos, es decir, 2 exitos en 9 experimentos con P(xito)=(0.5) es igual a

La dificultad con esta aproximacin es que ignoramos las posibilidades de, dos o tres, etc, llamadas durante uno de nuestros ensayos con periodos de 20 segundos. Si esta posibilidad se tomase en consideracin, entonces lo anterior no seria legitimo ya que esto solo es aplicable cuando existe una dicotoma, una llamada o ninguna llamada.

Para evitar esta dificultad hacemos la aproximacin siguiente: una manera de estar mas o menos seguro de que al menos ser recibe una llamada en la central durante un pequeo interlo de tiempo, es hacer que este intervalo sea muy corto. Asi en vez de considerar 9 intervalos de 20 segundos de duracin, consideraremos 18 intervalos, cada uno de 10 segundos de largo: P(xito)=P(recibir una llamada durante un subintervalo) = (1,5)10/60 = 0,25. Por tanto P(dos llamadas durante el intervalo de tres minutos) =

np = 18 (0,25) = 9 (0,5) = 4,5. Si continuamos de esta manera, aumentando el numero de subintervalos, disminuiremos al mismo tiempo la probabilidad np permanece constante.
Asi, el ejemplo precedente nos conduce a formular la pregunta siguiente que sucede a las probabilidades binomiales si n tiende a infinito, y p tiende a 0 de tal manera que np permanezca constante, es decir, np = ?

TEOREMA.- Sea X una variable aleatoria distribuida binomialmente con parmetro p (con base en n repeticiones del experimento) Esto es

Supongase que cuando n tiende a infinito, np = (constante), o equivalente, cuando n tiende a inifinito, p tiende a 0 , np tiende a . Bajo estas condiciones tenemos

la distribucin de Poisson con parmetro .

Ejemplo. En una concurrida interseccin de trafico la probabilidad p de que un automvil tenga un accidente es muy escasa, digamos p = 0,0001. Sin embargo durante cierta parte del dia, entre las 4 p.m. y las 6 p.m., un gran numero de automviles pasa por la interseccin, digamos 1000. Bajo dichas condiciones Cul es la probabilidad de que dos omas accidentes ocurran durante este periodo? Formularemos algunas hiptesis.

Supongamos que el valor anterior de p es el mismo para cada uno de los automviles. Supongamos que si un automvil tiene o no accidentes, no depende de lo que le suceda a cualquier otro automvil. Podemos suponer asi que si X es el numero de accidentes entre los 1000 automoviles que llegan, entonces X tiene una distribucin binomial con p = 0,0001.

Por tanto podemos obtener el valor exacto de la probabilidad buscada P(X 2) = 1 P(X = 0) P(X = 1) = 1 (0,9999)1000 1000(0,0001)(0,9999)999
La evaluacin de los valores anteriores da origen a una dificultad considerable. Puesto que n es grande y p es pequeo, aplicamos el teorema y obtenemos la aproximacin siguiente. Por tanto P(X 2)

1 e0.1(1 + 0.1) = 0,0045