CORPORACIÓN UNIFICADA NACIONAL

CUN

MAROLIS CARRASCAL RIVERO

TUTOR

ALEXANDER MORENO QUIROGA

ESTADISTICA DE LA PROBABILIDAD

DISTRIBUCIÓN DE POISSON

2020B
 DISTRIBUCIÓN DE POISSON

Esta distribución es una de las más importantes distribuciones de variable discreta. Sus
principales aplicaciones hacen referencia a la modelización de situaciones en las que nos
interesa determinar el número 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 número de veces si la probabilidad de obtener un éxito es muy pequeña .

Proceso experimental del que se puede hacer derivar

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 número x de éxitos en un intervalo de

amplitud t no depende del origen del intervalo (Aunque, sí 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 más hechos en un intervalo infinitésimo es

un infinitésimo de orden superior a dos.

En consecuencia, en un intervalo infinitésimo podrán producirse O ó 1 hecho pero

nunca más de uno

• Si en estas circunstancias aleatorizamos de forma que la variable aleatoria X

signifique o designe el "número de hechos que se producen en un intervalo de tiempo o
de espacio", la variable X se distribuye con una distribución de parámetro  . Así
:

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 número 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 se trata de un modelo discreto y que el campo de variación
de la variable será el conjunto de los número naturales, incluido el
cero:

Teorema de adición.

La distribución de Poisson verifica el teorema de adición para el parámetro  .

"La variable suma de dos o más variables independientes que tengan una distribución
de Poisson de distintos parámetros  (de distintas medias) se distribuirá, también con una
distribución de Poisson con parámetro  la suma de los parámetros  (con media, la suma de
las medias) :

En efecto:

Sean x e y dos variables aleatorias que se distribuyen con dos distribuciones de Poisson de
distintos parámetros siendo además x e y independientes

Así e

Debemos probar que la variable Z= x+y seguirá una Poisson con parámetro igual a la
suma de los de ambas:

En base a las F.G.M para X

Para Y

De manera que la función generatriz de momentos de Z será el producto de ambas ya que

son independientes :

Siendo la F.G.M de una

Poisson
Convergencia de la distribución binomial a la Poisson

Se puede probar que la distribución binomial tiende a converger a la distribución de

Poisson cuando el parámetro n tiende a infinito y el parámetro p tiende a ser cero, de manera
que el producto de n por p sea una cantidad constante. De ocurrir esto la distribución
binomial tiende a un modelo de Poisson de parámetro  igual a n por p

Este resultado es importante a la hora del cálculo de probabilidades , o , incluso a la hora de

inferir características de la distribución binomial cuando el número de pruebas sea muy
grande y la probabilidad de éxito sea muy pequeña .

El resultado se prueba , comprobando como la función de cuantía de una distribución

binomial con y tiende a una función de cuantía de una distribución de
Poisson con siempre que este producto sea una cantidad constante ( un valor finito)

En efecto : la función de cuantía de la binomial es

Y llamamos tendremos que:

realizando que es la función de cuantía de una distribución

de Poisson
 EJERCICIOS DE DISTRIBUCIÓN DE POISSON

1. Si ya se conoce que solo el 3% de los alumnos de Contabilidad son muy inteligentes ¿Calcular la
probabilidad de que si tomamos 100 alumnos al azar 5 de ellos sean muy inteligentes?
n = 100
P = 0.03
lambda = 100 * 0.03 = 3
x=5

2. 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.
 = 6 cheques sin fondo por día ( 6 )4 ( 2.718 )−6 ( 1296 )( 0.00248 )
p( x = 4, = 6 ) = = = 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.
 = 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.
( 12 )10( 2.718 )−12 ( 6.1917364 10 )( 0.000006151 )
p( x = 10, = 12 ) = = = 0.104953
10! 3628800
3. 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
( 0.6 )1( 2.718 )−0.6 ( 0.6 )( 0.548845 )
p( x = 1, = 0.6 ) = = = 0.329307
1! 1
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 ( 2.718 )−1 ( 1 )( 2.718 )−1 
p( x = 2,3,4,etc .... = 1 ) = 1 − p( x = 0,1, = 1 ) = 1 −  +  = 1-(0.367918+0.367918)= 0.26416
 0! 1! 

4. La producción de televisores en SAMSUNG trae asociada una probabilidad de defecto del 2%, si se
toma un lote o muestra de 85 televisores, obtener la probabilidad de que existan 4 televisores con
defectos.
n = 85
P = 0.02
X=4
lambda = 1.7
5. En una jaula con 100 pericos 15 de ellos hablan ruso calcular la probabilidad de que si tomamos 20
pericos al azar 3 de ellos hablen ruso.
n = 20
p = 0.15
X=3
lambda =3

6. Se calcula que en la ciudad el 20% de las personas tienen defecto de la vista si tomamos una
muestra de 50 personas al azar ¿Calcular la probabilidad de que 10 de ellos tengan defecto en la
vista?
n = 50
p = 0.2
lambda =10

7. El 8% de los registros contables de una empresa presentan algún problema, si un auditor toma una
muestra de 40 registros ¿Calcular probabilidad de que existan 5 registros con problemas?
n = 40
p = 0.08
lambda =3.2
X=5

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