Facultad de Ingeniería Civil

Semana N° 9:
Repaso de modelos de distribución de probabilidad de
Poisson y Exponencial

Asignatura: Introducción a los Modelos Cuantitativos

Mg. Daniel Mavila Hinojoza
Semestre Académico 2020-2
 Distribución de probabilidad de Poisson
X~p(λ)
Un proceso poissoniano es aquél compuesto de
eventos discretos que son independientes en el
espacio y/o en el tiempo.
En este tipo de experimentos los éxitos buscados son
expresados por unidad de distancia, área, volumen,
tiempo, peso, etc.
Ejemplos de λ :
- Número promedio de defectos por m2 de una tela
sintética
- Cantidad de aviones que aterrizan en un aeropuerto
por día.
- Número de bacterias por cm3 de cultivo
- Periodicidad de llamadas telefónicas a un conmu-
tador por hora.
- Número medio de llegadas de embarcaciones a un
puerto por mes.
Distribución de probabilidad de Poisson…
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.
Un proceso de Poisson es estacionario, la media (λ) del
proceso siempre es proporcional a la magnitud del conjunto
de tiempo o de espacio. Por tanto, si la media de que se
disponga corresponde a un determinado periodo, para otro
periodo que se requiera puede determinarse la media.
Un proceso estacionario (o proceso estrictamente estaciona-
rio) es un proceso estocástico cuya distribución de probabili-
dad en un instante de tiempo fijo o una posición fija es la
misma para todos los instantes de tiempo o posiciones.
Distribución de Poisson…
La distribución de Poisson se ha encontrado aplicable a
problemas donde la variable aleatoria representa al
número de ocurrencias de un evento raro, dentro de un
intervalo dado del tiempo o espacio. λ es un número real
positivo, equivalente al número esperado de ocurrencias
durante un intervalo dado. Por ejemplo, si los eventos
ocurren como promedio cada 4 minutos, y se está
interesado en el número de eventos ocurriendo en un
intervalo de 10 minutos, se usaría como modelo una
distribución de Poisson con λ = 2,5.
e   x e    x
p( x)   , x  0; 1 ...   0
x! x!

Donde:
e = 2,718…
Distribución de Poisson…

K=x
 Características de la distribución de Poisson

Media:
 E ( X )   P(X) = 0.5
.6
Varianza: .4
.2

2  0
0 1 2 3 4 5
X

Nota: el máximo de la distribución

se encuentra en x   P(X) = 6
.6
.4
Propiedad. Las distribuciones de
Poisson son reproductivas, es decir, .2
dadas X ∼ P(λ1) e Y ∼ P(λ2) 0 X
independientes, se cumple X + Y ∼ 0 2 4 6 8 10
P(λ1 +λ2).
Ejemplo 1. La señal promedio recibida en un telescopio de una
fuente celeste es de 10 fotones por minuto. (a) Calcula la
probabilidad de recibir 7 fotones en un minuto determinado.
Una distribución de Poisson con μ = 10:
μ x μ
p( x )  e ( x  0;1,...)
x!
P(X = 7) = 107 e−10 / 7! = 0,09 es decir 9%
Parece muy baja. Comparemos con el valor de máxima
probabilidad que ocurrirá para x = 10:
μ = 10 P(X = 10) = 1010 x e−10 / 10! = 0,125 (12,5%)
Las probabilidades poissonianas para un número de eventos
dado, son siempre pequeñas, incluso en el máximo de la
distribución de probabilidad.
(b) ¿Cuál es la probabilidad de recibir 7 fotones en un
segundo dado? R. 5,99 * 10-8%
(c) ¿Cuál es la probabilidad de recibir 7 fotones en una hora
establecida?
Ejemplo 2. Si en promedio, entran dos coches por minuto en un
taller, ¿cuál es la probabilidad de que durante un minuto entren
cuatro o más coches? Solución:
μ x μ
p( x)  e ( x  0; 1;...)
x!

El suceso complementario “entran 3 coches o menos” tiene

probabilidad:

2 2 0
P( A )  p(0)  p(1)  p(2)  p(3)  e (  
c
0!
21
1!
22
2!  )  0,857
23
3!

y la respuesta es 1 – 0,857 = 14,3%

Ejercicios.
1) La empresa electrónica Elba Lazo observa que el número
de componentes que fallan antes de cumplir 100 horas de
funcionamiento es una variable aleatoria de Poisson. Si el
número promedio de estos fallos es ocho, responde:
a) ¿cuál es la probabilidad de que falle un componente en
25 horas?
b) ¿y de que fallen no más de dos componentes en 50
horas?
c) ¿cuál es la probabilidad de que fallen más de diez en 125
horas?
R. 27,067%; 23,81% y 41,696% respectivamente.
2) Sabemos que el número de goles que se meten en un
partido de fútbol de la Premier League Interfacultades UNFV
sigue una distribución de parámetro λ = 2. ¿Cuál es la
probabilidad de que el próximo partido, entre la Facu y la
FIS se marquen en total 8 goles? R.
x = 8 λ = 2 P(x=8) = ≈ 0,00086 = 0,0%86%
 Distribución de probabilidad exponencial

Mientras que la distribución de Poisson describe las llegadas

por unidad de tiempo, la distribución exponencial estudia el
tiempo entre cada una de estas llegadas.

Si las llegadas son de Poisson el tiempo entre estas llegadas

es exponencial. Mientras que la distribución de Poisson es
discreta la distribución exponencial es continua porque el
tiempo entre llegadas no tiene que ser un número entero.

Esta distribución se utiliza mucho para describir el tiempo

entre eventos.

Ejemplos típicos de esta situación son el tiempo que un

medico dedica a una consulta médica, el tiempo de entregar
una medicina en una farmacia o el tiempo de atender en una
caja de un retail.
 Distribución exponencial
El uso de la distribución exponencial supone que los
tiempos de servicio son aleatorios, es decir, que un tiempo
de servicio determinado no depende de otro servicio
realizado anteriormente ni de la posible cola que pueda
estar formándose.
Otra característica de este tipo de distribución es que no
tienen “edad” o en otras palabras, “no tiene memoria”.
Por ejemplo, supongamos que el tiempo de atención de un
paciente en una sala quirúrgica sigue una distribución
exponencial. Si el paciente ya lleva 5 horas siendo operado,
la probabilidad de que esté una hora más es la misma que
si hubiera estado 2 horas, o 10 horas o las que sea.
Esto es debido a que la distribución exponencial supone
que los tiempos de servicio tienen una gran variabilidad.
A lo mejor el próximo paciente operado tarda una hora
porque su cirugía era mucho más simple que la anterior.
Distribución exponencial...
En el análisis del comportamiento de las Líneas de Espera, se reconoce
que el proceso de llegada de los clientes al sistema ocurre de forma
totalmente aleatoria.

Se entiende por aleatorio que la ocurrencia de un evento no se ve

afectado por el tiempo transcurrido desde la ocurrencia de un evento
anterior.

Por ejemplo, si en estos momentos son las 10:30 h y la última llegada de

un cliente fue a las 10:15, la probabilidad de que la siguiente llegada sea
a las 10:35 es función sólo de las 10:30 a las 10:35 y en consecuencia es
totalmente independiente del tiempo transcurrido desde la ocurrencia del
último evento, es decir, de las 10:15 a las 10:30. Este resultado se conoce
como falta de memoria o amnesia de la Distribución Exponencial.
Distribución exponencial...

En la distribución de Poisson la v. a. discreta es el número de

eventos raros que ocurren durante un intervalo determinado
de tiempo, espacio o distancia.
La distribución exponencial describe la v. a. continua, x = la
cantidad de tiempo, espacio o distancia entre las ocurrencia
de estos eventos raros.
Ejemplo. Si el número promedio de llegadas a la caseta de
peaje La Balanza ubicada en el km 3000 de Comas es λ = 5
automóviles por minuto, la media de la distribución
exponencial correspondiente será 1/λ = 0,20 minutos entre
automóviles.
Media y Varianza de la distribución
exponencial
Exp ()
 1
 xe  x
dx 
0 
Función de cuantía de la distribución de p. exponencial

 x
f ( x )  e para x  0 y   0

Donde:
λ = denominado parámetro de escala
representa el número de eventos por
unidad de tiempo
e = constante matemática 2,7183; base del
sistema logarítmico natural
Función de p. exponencial acumulada

En función a λ:

 x
1  e , x0
F ( x)  
 0, x0
En función a µ:


1e
x

, x 0
F(x)  

 0, x 0

Tip. Se dará la respuesta en notación decimal o científica.

Ejemplo. La vida útil de cierto tipo de
localizadores de Sistema de Posicionamiento
Global (GPS, por sus siglas en inglés)
pertenecientes a la agroexportadora «Hijos de
Fruta» tienen una distribución exponencial con
una vida media de 500 horas (µ). Si X
representa la vida útil de un GPS elegido
aleatoriamente:
a) Halla la probabilidad que se inutilice a lo
más a las 300 horas.
b) ¿Cuál es la probabilidad que dure por lo
menos 300 horas?
c) Si un GPS en particular ha durado 300
horas ¿Cuál es la probabilidad de que dure
otras 400 horas adicionales como mínimo?
Propuesta de solución:
• Sabemos que µ = 1/, entonces  =
1/500

• La función de densidad de la v. a. X es:

f(x) = 1/500 e-x/500, para x ≥ 0

• La función de distribución de
probabilidad acumulada de la v. a. X es:
F(x) = 1 - e-x/500, para x ≥ 0
Para los valores entre 0 y 300 horas:

(a) P(X < 300) = F (300)

= 1 - e-300/500 = 1 - e-3/5 = 45,11%

(b) P(X > 300) = 1 – P(X < 300) (Complemento)

= 1 – (1 - e-3/5 ) = e-3/5 =
54,89%
 Propiedad de la distribución de p. exponencial que se
conoce como la de “no tener memoria”

p X  ( a  b ) X  a =
p X  (a b) 
= =
p X  a 
= e -b

Otra forma. Las distribución exponencial no tiene memoria, es decir dada

X ∼ Exp(λ) y t1, t2 > 0, se tiene P(X > (t1 + t2) | X > t1) = P(X > t2).
C) Caso de los GPS…


P X  700│X  300  

P X  700 X  300

PX  300

Por propiedad de no memoria:

= e-400/500 = 44,93%
Ejercicio.

El tiempo durante el cual una batería compuesta de iones de aluminio y

litio "recargable y ultra rápida", que podría aplicarse en celulares
Chanchung y tablets Bambamarca trabaja en forma efectiva hasta que
falle (tiempo de falla) se distribuye según el modelo exponencial con un
tiempo promedio de fallas igual a 360 días. Responde:

(a) ¿Qué probabilidad hay de que el tiempo de falla sea mayor que 400
días?

(b) Si una de estas baterías ha trabajado ya 400 días ¿qué probabilidad

hay de que trabaje 200 días más?

(c) Si se están usando 5 de tales baterías calcula la probabilidad de que

más de dos de ellas continúen trabajando después de 360 días.

R. (a) 32,9% (b) 57,4% (c) p(x>360) = 36,8% y p(y>=3) = 26,38%