DISTRIBUCION 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.

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.

Una variable sigue una distribución de Poisson si se cumplen las siguientes

condiciones:

 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.

Lambda = 3
 Lambda = 10

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:

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.

Propiedades del modelo de Poisson

1) Esperanza: E(X) = λ.

2) Varianza: V(X) = λ.

En esta distribución la esperanza y la varianza coinciden.

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:
 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.
Características:
En este tipo de experimentos los éxitos buscados son expresados por unidad de
área, tiempo, pieza, etc, etc,:
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc, etc.
- # de bacterias por cm2 de cultivo
- # de llamadas telefónicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a un puerto por día, mes, etc, etc.
Para determinar la probabilidad de que ocurran x éxitos por unidad de tiempo, área,
o producto, la fórmula a utilizar sería:

donde:
p(x, ) = probabilidad de que ocurran x éxitos, cuando el número promedio de
ocurrencia de ellos es
= media o promedio de éxitos por unidad de tiempo, área o producto
= 2.718
x = variable que nos denota el número de éxitos que se desea que ocurra

Hay que hacer notar que en esta distribución el número de éxitos que ocurren por
unidad de tiempo, área o producto es totalmente al azar y que cada intervalo de
tiempo es independiente de otro intervalo dado, así como cada área es
independiente de otra área dada y cada producto es independiente de otro producto
dado.

Ejemplos:
1. 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.
= 6 cheques sin fondo por día
= 2.718

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.
= 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos
días consecutivos
Nota: siempre debe de estar en función de x siempre o, dicho de otra
forma, debe “hablar” de lo mismo que x.

2. En la inspección de hojalata producida por un proceso electrolítico continuo,

se identifican 0.2 imperfecciones en promedio por minuto. Determine las
probabilidades de identificar a) una imperfección en 3 minutos, b) al menos
dos imperfecciones en 5 minutos, c) cuando más una imperfección en 15
minutos.
Solución:
a) x = variable que nos define el número de imperfecciones en la
hojalata por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.
= 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la
hojalata

b) x = variable que nos define el número de imperfecciones en la

hojalata por cada 5 minutos = 0, 1, 2, 3, ...., etc., etc.
= 0.2 x 5 =1 imperfección en promedio por cada 5 minutos en la hojalata
 =1-(0.367918+0.367918) = 0.26416

c) x = variable que nos define el número de imperfecciones en la

hojalata por cada 15 minutos = 0, 1, 2, 3, ....., etc., etc.
= 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la
hojalata

=
0.0498026 + 0.149408 = 0.1992106

¿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 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.