Resumen

La realización del informe consistió en la investigación de la distribución de Poisson, su

definición, características, aplicaciones, fórmula y ejemplos para un mayor entendimiento del
tema, todo ello fue realizado a través de una investigación en diversas fuentes de información;
entre los resultados principales se tuvo que la distribución de probabilidad de Poisson describe
el número de veces que se presenta un evento durante un intervalo específico; el cual puede
ser de tiempo, distancia, área o volumen. Las características que posee son: La variable
aleatoria es el número de veces que ocurre un evento durante un intervalo definido. La
probabilidad de que ocurra el evento es proporcional al tamaño del intervalo. Los intervalos no
se superponen y son independientes. Es aplicable para situaciones donde los sucesos son
impredecibles o de ocurrencia. Su trascendencia radica en su aplicación en procesos
estocásticos que nos ayudaran a la simulación de modelos matemáticos.

Introducción

El presente ensayo abordará uno de los ejemplos estructurados que se basan en procesos
estocásticos que nos ayudara a entender de mejor manera este tema, y como se puede aplicar
dentro de la resolución o simulación de diversos problemas de la vida real que a simple vista
pareciesen complejos y únicamente aplicables en situaciones irreales o que no son muy
comunes, pero en realidad encontramos casos de procesos estocásticos en nuestro día a día.
Antes de hablar acerca del ejemplo estructurado, se tendrá que conocer lo que es un proceso
estocástico y para ello a su vez es importante tener clara la importancia de la aleatoriedad, la
cual, se asocia a todo proceso cuyo resultado no es previsible más que en razón de la
intervención del azar, si queremos usar la aleatoriedad en nuestros modelos matemáticos
deberemos hacer uso de números aleatorios, que son obtenidos al azar y, por lo tanto, tienen
la misma probabilidad de ser elegidos y la selección de uno no afectara la selección de otro. El
ejemplo clásico más utilizado para generar números aleatorios es el lanzamiento repetitivo de
una moneda o dado ideal no trucado.

La utilidad de los números aleatorios consiste en permitir que nuestros modelos matemáticos
representen la realidad, dado que, nosotros los seres humanos tenemos un comportamiento
aleatorio, así como nuestro entorno, tiene sentido que al momento de predecir el
comportamiento de un sistema de la vida real recurramos al uso de la estadística y la
simulación, por medio de herramientas predictivas que actúen como lo hace el mundo real, es
decir de forma aleatoria. Teniéndose clara la definición de aleatoriedad y de los números
aleatorios se vuelve más fácil comprender lo que es un proceso estocástico, al ser un conjunto
de variables aleatorias que dependen de un parámetro o de un argumento, el cual es
generalmente el tiempo, en otras palabras, un proceso estocástico es una familia de variables
aleatorias dependientes del tiempo.

El ejemplo estructurado que se basa en procesos estocásticos a tratar en el presente ensayo es

la Distribución de Poisson, una distribución discreta donde se describe la probabilidad de
ocurrencia de cada valor de una variable aleatoria discreta. Una variable aleatoria discreta es
una variable aleatoria que tiene valores contables, tales como una lista de enteros no
negativos. El objetivo principal del presente ensayo será dar a conocer de manera más
detallada que es la Distribución de Poisson, como funciona, donde puede ser aplicada y
presentar algunos ejemplos donde se haga necesario el uso de la distribución de Poisson, todo
ello mediante una investigación en fuentes de información que hablen sobre el tema.
Desarrollo

En primer lugar, se abordará lo que es la Distribución de Poisson.

Definición

La distribución de probabilidad de Poisson describe el número de veces que se presenta un

evento durante un intervalo específico; el cual puede ser de tiempo, distancia, área o volumen.

La distribución se basa en dos supuestos: el primero consiste en que la probabilidad es

proporcional la longitud del intervalo; el segundo, en que los intervalos son independientes. En
otras palabras, cuanto más grande sea el intervalo, mayor será la probabilidad; además, el
número de veces que se presenta un evento en un intervalo no influye en el resto de los
intervalos. La distribución también constituye una forma restrictiva de la distribución binomial
cuando la probabilidad de un éxito es muy pequeña y n es grande. En general, a esta se le
conoce con el nombre de ley de eventos improbables, lo cual significa que la probabilidad, p,
de que ocurra un evento en particular es muy pequeña. La distribución de Poisson es una
distribución de probabilidad discreta porque se genera contando. [1]

Como se puede observar en este fragmento, la distribución de Poisson es una distribución de

probabilidad discreta al estar asociada a una variable discreta, que se puede definir como el
número de éxitos en un intervalo de tiempo o espacio, algunos ejemplos de variables que se
pueden modelar como Poisson son:

a) Número de huevos de un insecto en una oviposición.

b) Número de bacterias en una muestra de agua.
c) Número de semillas defectuosas observadas en una cinta transportadora por minuto.
d) Número de nemátodos por unidad de volumen del suelo.
e) Número de pulgones por planta.
f) Número de pulgones por m 2. [2]

Además, se nos presentan dos características de esta distribución, la primera nos dice que
mientras más grande sea el intervalo, mayor será la probabilidad y el segundo nos explica que
los intervalos serán independientes, por lo tanto, el número de veces que se presenta un
evento en un intervalo no influye en el resto de los intervalos.

Características de la distribución de Poisson

Sintetizando las características de la distribución de Poisson, tenemos lo siguiente:

1. La variable aleatoria es el número de veces que ocurre un evento durante un intervalo

definido.
2. La probabilidad de que ocurra el evento es proporcional al tamaño del intervalo.
3. Los intervalos no se superponen y son independientes. [1]

Podrimos comparar las características mencionadas anteriormente con las dichas por Badii, M.
H. y J. Castillo, que mencionan que las características son:

1. Las consecuencias de los eventos son independientes. La ocurrencia de un evento en

un intervalo de espacio o tiempo no tiene efecto sobre la probabilidad de una segunda
ocurrencia del evento en el mismo, o cualquier otro intervalo.
2. Teóricamente, debe ser posible un número infinito de ocurrencias del evento en el
intervalo.
 3. La probabilidad de la ocurrencia única del evento en un intervalo dado es proporcional
a la longitud del intervalo. [3]

Podemos inferir que las características nos mencionan lo mismo, solamente que se adiciona
información acerca de que teóricamente es posible un número infinito de ocurrencias del
evento en el intervalo, asimismo existe una particularidad dentro de esta distribución y es el
hecho de que la media y la varianza son iguales.

Aplicación de la distribución de Poisson

Una vez entendido lo que es la distribución de Poisson y sus características se vuelve

pertinente preguntarnos el para qué nos va a servir esta distribución; pues bien, la distribución
de Poisson posee muchas aplicaciones. Se le utiliza como modelo para describir la distribución
de errores en una entrada de datos, el número de rayones y otras imperfecciones en las
cabinas de automóviles recién pintados, el número de partes defectuosas en envíos, el número
de clientes que esperan mesa en un restaurante o que esperan entrar en una de las
atracciones de Disney World, y el número de accidentes en una carretera en un periodo de
tres meses, dicho de otro modo, para situaciones donde los sucesos son impredecibles o de
ocurrencia.

Fórmula de la distribución de Poisson

En la siguiente fórmula se describe matemáticamente la distribución de Poisson:

e−λ λ x
P ( x ) =f ( x )=
x!
Donde:

P ( x ) =¿ Probabilidad de tener exactamente x presentaciones.

e− λ =¿Exponencial ¿ 2.71828 (base de los logaritmos naturales), elevada a la lambda potencia

λ x =λ (el número medio de presentaciones por intervalo de tiempo) elevada a la x potencia.
x !=x factorial.
λ=¿ parámetro de distribución o la media donde λ= p(x), es el número promedio de
ocurrencias del evento aleatorio por intervalo de tiempo.

X =¿ número de eventos raros por unidad de tiempo de distancia de espacio. [3]

Se debe tener en cuenta que otros autores tiene una forma diferente de representar la
fórmula de la distribución de Poisson, sin embargo, los símbolos conservan el mismo
significado, tal es el caso de la fórmula descrita por Douglas A. Lind, William G. Marchal y
Samuel A. Wathen, quienes nos dicen lo siguiente:

Distribución de Poisson

μ x e−μ
P ( x) =
x!
donde:
μ (mu) es la media de la cantidad de veces (éxitos) que se presenta un evento en un intervalo
particular;

e es la constante 2.71828 (base del sistema de logaritmos neperianos);

x es el número de veces que se presenta un evento;
P( x ) es la probabilidad de un valor específico de x .
La media de número de éxitos, μ, puede determinarse con nπ ; en este caso, n es el número
total de ensayos, y π , la probabilidad de éxito.

Media de una Distribución de Poisson [1]

μ=nπ
Ejercicios de la distribución de Poisson

Ahora bien, es momento de resolver algunos problemas donde podamos poner en práctica el
uso de la distribución de Poisson y se refuerce el conocimiento teórico.

Ejercicio 1. Un administrador de un hospital ha estado estudiando las admisiones diarias de

emergencia durante un periodo de varios años, los estudios revelan que en dicho periodo en
promedio se presentaron 3 emergencias por día: encuentre la probabilidad de que:

a) En un día dado ocurran sólo dos admisiones de emergencia.

Solución: En este ejemplo λ=3 que es igual al valor promedio de ocurrencia en la población y
x=2como una variable aleatoria discreta. La probabilidad de ocurrencia se calcula como:

e−3 32 (0.05∗9)
P ( x=2 )=f (2 )= = =0.225
2! 2∗1

b) ¿Cuál es la probabilidad de que en un día particular no ocurra ni una sola admisión de

emergencia?

e−3 30 (0.050∗1)
f ( x )= = =0.05
0! 1

c) En un día particular sean admitidos 3 o 4 casos de emergencia.

Dado que los dos eventos son mutuamente exclusivos se usa la regla de adición:

e−3 3 3 e−3 3 4 (0.05∗27) ( 0.05∗81)

f ( 3 )+ f ( 4 ) = + = + =0.225+0.16875=0.39
3! 4! 3∗2∗1 4∗3∗2∗1

Para los casos en que se desea obtener la probabilidad de ocurrencia de x o menos frecuencias
el evento en cuestión que tiene el número promedio de ocurrencias igual a λ se debe utilizar la
tabla de distribución de Poisson hecha exclusivamente para estos casos.
Ejercicio 2. En el estudio de cierto organismo acuático se tomaron un gran número de
muestras de un estanque y se contó el número promedio de organismos igual a dos. Encuentre
la probabilidad de que:

a) La siguiente muestra que se tome contenga uno o más organismos.

Solución: La sumaria de todas las posibles situaciones que se puedan presentar es igual a uno;
por lo tanto, si se desea obtener la probabilidad de que la muestra tenga uno o más
organismos, solo necesito restarle a uno la probabilidad de que obtenga 0 organismos. Es
decir, P ( x ≥ 1 )=1−P ( x=0 ) . En la tabla de distribución acumulada de Poisson se ve que
cuando λ=2 la probabilidad de que x=0 es 0.135, por lo tanto P ( x ≥ 1 )=1−0.135=0.865.

b) La siguiente muestra que se tome contenga exactamente 3 organismos. Este caso se

puede resolver la probabilidad de la otra manera [con p(x=3)], pero para explicar el
uso de esta tabla lo resolveremos de la siguiente manera:

P ( x=3 )=P ( x ≤ 3 )−P ( x ≤ 2 )=0.857−0.677=0.180

Si la probabilidad de que ocurra 3 es igual a la probabilidad de x ≤ 3 menos la probabilidad de

que ocurra x ≤ 2.

c) La siguiente muestra que se tome contenga menos de cinco organismos. Ya que el

conjunto de menos de cinco organismos no incluye a 5 se está pidiendo la probabilidad
acumulada desde 0 hasta 4 , llegando a: P ( x ≤ 4 )=0.947

Nótese que x es normalmente pequeño en la práctica; teóricamente podría ser muy grande,
sin límite. Por lo tanto, la variable aleatoria de Poisson es un ejemplo de variable aleatoria
discreta que puede tomar un número infinito (pero contable) de valores.

La distribución de probabilidad binomial, cuando n es grande y p es pequeño, y cuando la

media μ=np de la distribución de probabilidad binomial es aproximadamente menor que 7.
Esta aproximación elimina el cálculo tedioso necesario para determinar las probabilidades
binomiales cuando n es grande.

Búsqueda de probabilidades de Poisson utilizando la tabla de Poisson

En la tabla de Poisson se tienen los mismos resultados que si hiciéramos los cálculos, pero nos
evitamos el trabajo tedioso. Por ejemplo, los registros indican el número promedio de
accidentes en un crucero es igual a 5 accidentes mensuales. Si deseamos calcular la
probabilidad de que cualquier mes ocurran 4 accidentes. Podemos utilizar la tabla de Poisson
para evitar el tener que calcular e elevadas a potencias negativas. Aplicando la fórmula:
 λ x∗e−λ
P ( x) =
x!

(5)x ∗e−λ
P ( 4 )= =0.17552
4!
Para utilizar esta tabla, todo lo que necesitamos saber son los valores de x y λ (Lambda), en
este ejemplo 4 y 5, respectivamente. Ahora busque en la tabla, primero encuentre la columna
cuyo encabezado es 5; luego recórrala hacia abajo hasta que esté a la altura del 4 y lea la
respuesta directamente, 0.1755. [3]

Conclusiones

Se logró el objetivo de investigar la distribución de Poisson para así, exponerla de manera más
detallada, a si también el cómo funciona, donde puede ser aplicada y la presentación de
algunos ejemplos en donde poner en práctica el conocimiento teórico.

Al realizar una investigación en varias fuentes de información se evidenció una gran similitud
de los autores al tratar el tema de la distribución de Poisson, solamente con algunas
diferencias con respecto a los símbolos empleados en las fórmulas y de la forma de expresar
las características que posee.

La distribución de Poisson nos ayuda a modelar situaciones donde los sucesos son
impredecibles o de ocurrencia, antes de ser aplicada se debe verificar que se cumplan ciertos
supuestos, las cuales son las características propias de esta distribución.

El mundo real funciona de manera aleatoria, por ende, al momento de realizar un modelo de
un sistema de la vida real, y de simular su comportamiento podemos inferir a partir de datos
estadísticos, y para lograr una mejor aproximación a la realidad nuestra herramienta predictiva
debe funcionar de manera similar: aleatoriamente, de esa necesidad surgieron los modelos de
simulación.

La simulación es una potente herramienta que nos ayuda a modelar un sistema del mundo real
para estudiar su comportamiento con base en variables que son agrupadas en estados que son
modificados por eventos, al estar hablando de un proceso estocástico debemos tener claro
que su comportamiento es no-determinístico. Esto significa que el estado subsecuente del
sistema se determina tanto por las acciones predecibles del proceso, como por un elemento
aleatorio.

Referencias Bibliográficas

[1] D. A. Lind, W. G. Marchal y S. A. Wathen, Estadística aplicada a los negocios y la economía.

Decimosexta edición. México: McGraw-Hill Education, 2015, p. 173.

[2] D. Rienzo, J. A. Casanoves, F. Gonzalez, L. A. Tablada, E. M. Díaz, M. Robledo, C. W. Balzarini

y M. Graciela, Estadísticas para las Ciencias Agropecuarias/ Statistics for Agricultural Sciences.
Séptima edición. Madrid: Editorial Brujas, 2008, p.87.

[3] B., M. H., y J. Castillo, Distribuciones probabilísticas de uso común (Probabilistic

distributions of common use). México: U. A. N. L. San Nicolás, N. L., 2009, pp. 172-175.
[4] I. Arroyo, L. C. Bravo M., Dr. Ret. Nat. H. Llinás, y Msc. F. L. Muñoz., Distribuciones Poisson y
Gamma: Una Discreta y Continua Relación. Vol. 12, No. 1. Colombia: Universidad del Norte,
2014, pp. 99-107.

[5] M. F. Triola, Estadística. Novena edición. México: Pearson Educación, 2004.