Instituto Tecnológico Superior de San Andrés

Tuxtla.

Carrera: Licenciatura en Administración.

Grupo: 405 “A”

Materia: Métodos Cuantitativos.

Docente: María de la Cruz Porras Arias.

Alumna: Dariana Campos Calix.

Distribución de Poisson.

Es una distribución de probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia
media, la probabilidad de que ocurra in determinado numero de eventos durante cierto periodo de
tiempo. Concretamente, se especializa en la probabilidad de ocurrencia de sucesos con
probabilidades muy pequeñas, o sucesos raros.

Esta distribución es una de las mas importantes distribuciones de variable discreta. Sus principales
aplicaciones hacen referencia a la modelización de situaciones en las que nos interesa determinar
el numero de hechos de cierto tipo que se pueden producir en un intervalo de tiempo o de espacio,
bajo presupuestos de aleatoriedad y ciertas circunstancias restrictivas. Otro de sus usos frecuentes
es la consideración límite de procesos dicotómicos reiterados un gran numero de veces si la
probabilidad de obtener un éxito es muy pequeña.

Esta distribución se puede hacer derivar de un proceso experimental de observación en el que

tengamos las siguientes características:

 Se observa la realización de hechos de cierto tipo durante un cierto periodo de tiempo o a

lo largo de un espacio de observación.
 Los hechos a observar tienen naturaleza aleatoria; pueden producirse o no de una manera
no determinística.
 La probabilidad de que se produzcan un numero x de éxitos en un intervalo de amplitud t
no depende del origen del intervalo (aunque si de su amplitud).
 La probabilidad de que ocurra un hecho en un intervalo infinitésimo es prácticamente
proporcional a la amplitud del intervalo.
 La probabilidad de que se produzcan 2 o mas hechos en un intervalo infinitésimo es un
infinitésimo de orden superior a dos.

En consecuencia, en un intervalo infinitésimo podrían producirse 0 o 1 pero nunca más de uno.

El parámetro de la distribución es, en principio, el factor de proporcionalidad para la probabilidad

de un hecho en un intervalo infinitésimo. Se le suele designar como parámetro de intensidad,
aunque más tarde veremos que se corresponde con el numero medio de hechos que cabe
esperar que se produzcan en un intervalo unitario (media de la distribución); y que también
coincide con la varianza de la distribución.

Por otro lado, es evidente que de trata de un modelo discreto y que el campo de variación de la
variable será el conjunto de los numero naturales, incluido el cero:

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

 Donde:

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

de que el evento suceda precisamente k veces).
 λ: es un parámetro positivo que representa el numero 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= 10x4=40.
 e es la base de los logaritmos naturales (e = 2,71828…).

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 numero de
particiones de tamaño n.

La moda de una variable aleatoria de distribución de Poisson con un λ no entero es igual [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 .

La función generadora de momentos de la distribución de Poisson con valor esperado λ es

Distribución exponencial.

A pesar de la sencillez analítica de sus funciones de definición, la distribución exponencial tiene una
gran utilidad practica ya que podemos considerarla como un modelo adecuado para la distribución
de probabilidad del tiempo de espera entre dos hechos que sigan un proceso de Poisson. De hecho,
la distribución exponencial puede derivarse de un proceso experimental de Poisson con las mismas
características que las que enunciábamos al estudiar la distribución de Poisson, pero tomando como
variable aleatoria, en este caso, el tiempo que tarda en producirse un hecho.

Entonces, la variable aleatoria será continua. Por otro lado, existe una relación entre el parámetro

 de la distribución exponencial, que más tarde aparecerá, y el parámetro de intensidad del proceso
esta relación es  = 

Al ser un modelo adecuado para estas situaciones tiene una gran utilidad en los siguientes casos:

 distribución del tiempo de espera entre sucesos de un proceso de Poisson.

 Distribución del tiempo que transcurre hasta que se produce un fallo, si se cumple la
condición que la probabilidad de producirse un fallo en un instante no depende del tiempo
transcurrido. Aplicaciones en fiabilidad y teoría de la supervivencia.

Función de densidad.

A pesar de lo dicho sobre que la distribución exponencial puede derivarse de un proceso de Poisson,
vamos a definirla a partir de la especificación de su función de densidad:

Dada una variable X que tome valores no negativos {x  0} diremos que tiene una distribución

exponencial de parámetro con   0, si y solo si su función de densidad tiene la expresión:

Diremos entonces que

En consecuencia, la función de distribución será:

Fuentes bibliográficas: https://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Poisson

https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/poisson.htm
https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/exponencial.htm