Universidad de Guayaquil

Facultad de Ciencias Matemáticas y Físicas

Estadística II

Profesor García Mendoza Gustavo Raúl

1 de julio del 2022

Tema:

Distribución De Poisson

Elaborado por

Balbuca Sanchez Leonard

Calderón Córdova Ulises

Martinez Espinoza Karem

Plaza Alvarez Doménica

Índice
Distribución De Poisson ............................................................................................................. 1

Definición de la Distribución De Poisson .............................................................................. 1

Propiedades de la Distribución de Poisson ............................................................................ 3

Esperanza Matemática 𝐸𝑋 ................................................................................................. 3

Varianza 𝜎𝟐........................................................................................................................ 3

Desviación estándar 𝜎 ........................................................................................................ 4

Ejercicios de distribución de Poisson con su esperanza matemática, varianza y desviación

estándar ....................................................................................................................................... 5

Ejercicio 1 .......................................................................................................................... 5

Ejercicio 2 .......................................................................................................................... 6

Ejercicio 3 .......................................................................................................................... 7

Ejercicio 4 .......................................................................................................................... 8

Ejercicio 5 ........................................................................................................................ 10

Conclusión............................................................................................................................ 11

Bibliografía .......................................................................................................................... 12
 1

Distribución De Poisson

Podríamos considerarla como una de las más importantes distribuciones de las variables

discretas, ya que nos enfoca en cierto aspecto trata de dar una modelización de eventos que en

este caso puedan darse numéricamente dentro de unidades que contengan límites.

Dicho esto, la distribución es de carácter aleatoria y se descubrió por Poisson en los años 70-

75 para tratar de darle un límite a la distribución binomial de Bernoulli.

Definición de la Distribución De Poisson

La mayoría de texto nos presenta la siguiente definición sobre la distribución de Poisson:

𝑒 −𝜆 ∗ 𝜆𝑥
𝑓 (𝑥 ) = 𝑝𝑎𝑟𝑎 𝑥 = 0, 1, 2, …
𝑥!

“Se dice que una v.a. X tiene distribución de Poisson con parámetro λ (λ > 0) si su función de

frecuencia es la anterior.

Si la v.a. X tiene distribución de Poisson con parámetro λ, lo denotaremos como: X ∼ P(λ)”.

(Apezteguia & Ferreira, 2015)

Entonces con su definición empírica ya definida podemos conceptualizar esta distribución,

por lo que se infiere que esta distribución busca la probabilidad que ocurra un evento en un

tiempo, región o cualquier unidad determinada.

Presentaremos algunos sencillo ejemplos para simplificar y entender de manera más concreta

esta distribución:

• El número de vueltas de un avión desde las 6:00 am hasta las 6:00 pm.

• Número de ventas de pasteles en una panadería durante 5 horas, teniendo en cuenta

que hay una promoción.

• Cantidad de bacterias depositadas por moscas en un pedazo de carne durante 15

minutos.
 2

• Número de descomposturas de una máquina de coser durante un periodo de 4 días.

Algunos de estos ejemplos son procesos temporales, interesa conocer cuántas veces ocurre un

evento en un intervalo de tiempo, y otros son procesos espaciales, interesa conocer cuántos

“puntos” hay en un volumen o un área. (Apezteguia & Ferreira, 2015)

Estos procesos temporales fueron dados por Poisson y deben cumplir las siguientes

condiciones:

• Que las condiciones sufran cambios (Invarianza)

• Lo que suceda en un intervalo, no debe afectar lo que suceda en otro intervalo.

(Falta de materia)

• La probabilidad de que en un intervalo de tiempo muy corto ocurra más de una vez

el evento, es despreciable comparada con la probabilidad de que ocurra una vez o

ninguna. (Sucesos aislados)

“Para un proceso de este tipo, si Xt es la v.a. que mide el número de veces que ocurre el

evento en un intervalo de tiempo de longitud t, puede verse que Xt es una variable aleatoria

discreta cuya función de frecuencia está dada por:

𝑒 𝑐∗𝑡 ∗ (𝑐 ∗ 𝑡)𝑥
𝑓 (𝑥 ) = 𝑝𝑎𝑟𝑎 𝑥 = 0, 1, 2, …
𝑥!

Comparando con la expresión (2.12), se puede ver que Xt tiene distribución de Poisson con

parámetro λt = c × t, donde c es una constante positiva que indica la cantidad de veces que ocurre

el evento de interés por unidad de tiempo, c se llama tasa de ocurrencia del proceso.”

(Apezteguia & Ferreira, 2015)

El proceso de Poisson es conocido en la estadística como un proceso estocástico que pretende

registrar los sucesos muy poco probables en tiempo continuo.

 3

Propiedades de la Distribución de Poisson

Esperanza Matemática 𝑬[𝑿]

La media de la variable aleatoria X, también denominada esperanza matemática es 𝐸 [𝑋] = 𝜆.

Y su demostración es la siguiente:

𝑋~𝑃 (λ) → 𝐸 [𝑋] = 𝑉𝑎𝑟[𝑋] = λ

+∞
λ𝑥
𝐸 (𝑥 ) = ∑ 𝑥 𝑒 −λ
𝑥!
𝑋=0

+∞
λ𝑥−1
𝐸 (𝑥 ) = ∑ 𝑥 𝑒 −λ λ
𝑥 (𝑥 − 1)!
𝑋=0

+∞
λ𝑥−1
𝐸 (𝑥 ) = ∑ 1 𝑒 −λ λ
(𝑥 − 1)!
𝑋=0

+∞
λ𝑥−1
𝐸 (𝑥 ) = λ ∑ 1 𝑒 −λ
(𝑥 − 1)!
𝑋=0

+∞
λ𝑥−1
𝐸 (𝑥 ) = λ [∑ 1 𝑒 −λ ]
(𝑥 − 1)!
𝑋=0

𝐸 (𝑥 ) = λ ∗ 1 = λ

Varianza 𝝈𝟐

La varianza de una variable aleatoria es igual a lambda, tal cual la esperanza matemática|.

Demostrada de la siguiente manera:

2
Var[x] = E[x 2 ] − (E(x))

𝐸 [𝑥 2 ] = 𝐸 [𝑥(𝑥 − 1)] + 𝐸(𝑥)

 4

∞
λ𝑥
𝐸 [𝑥 (𝑥 − 1)] = ∑ 𝑥(𝑥 − 1) 𝑒 −λ
𝑥(𝑥 − 1)(𝑥 − 2)!
𝑥=0

∞
−λ
λ𝑥
𝐸 [𝑥 (𝑥 − 1)] = ∑ 𝑥(𝑥 − 1) 𝑒
𝑥(𝑥 − 1)(𝑥 − 2)!
𝑥=0

∞
(𝑥 )(𝑥 − 1)𝑒 −λ λ2 λ𝑥−2
𝐸 [𝑥 (𝑥 − 1)] = ∑
𝑥(𝑥 − 1)(𝑥 − 2)!
𝑥=0

∞ 1
𝑒 −λ λ𝑥−2
𝐸 [𝑥 (𝑥 − 1)] = λ2 [∑ ] = λ2
(𝑥 − 2)!
𝑥=0

𝐸 [𝑥 2 ] = 𝐸 [𝑥 (𝑥 − 1)] + 𝐸[𝑥 ]

𝐸 [𝑥 2 ] = λ2 + λ

Var[x] = E[x 2 ] − (λ)2

Var[x] = λ2 + λ − λ2 = λ

Desviación estándar 𝝈

La desviación estándar es simplemente la raíz cuadrada de la varianza, por lo que es la

siguiente:

𝜎 = √λ
 5

Ejercicios de distribución de Poisson con su esperanza matemática, varianza y desviación

estándar

Ejercicio 1

Cada semana se registra un promedio de 10 accidentes automovilísticos en la ciudad de

Guayaquil. Calcule la probabilidad de que ocurran 3 o menos accidentes en un día en la ciudad

de Guayaquil, su varianza y su desviación estándar.

Función de Probabilidad de Poisson:

𝑒 −𝜆 ∙ 𝜆𝑥
𝑃 (𝑋 = 𝑥 ) =
𝑥!

Landa (𝜆), Esperanza matemática 𝐸 [𝑋] = 𝜆

𝜆 = 28 Promedio de accidentes en una semana.

𝜆=4 Promedio de accidentes en un día. (28 / 7 días = 4)

Probabilidad de que ocurran 3 o menos accidentes en un día en la ciudad de Guayaquil:

𝑃(𝑋 ≤ 3) = ?

𝑒 −4 ∙ 43
𝑃(𝑋 = 3) = = 0,19536
3!

𝑒 −4 ∙ 42
𝑃(𝑋 = 2) = = 0,14653
2!

𝑒 −4 ∙ 41
𝑃(𝑋 = 1) = = 0,07326
1!

𝑒 −4 ∙ 40
𝑃(𝑋 = 0) = = 0,01832
0!

𝑃(𝑋 ≤ 3) = 𝑃(𝑋 = 3) + 𝑃 (𝑋 = 2) + 𝑃 (𝑋 = 1) + 𝑃(𝑋 = 0)

𝑃 (𝑋 ≤ 3) = 0,19536 + 0,14653 + 0,07326 + 0,01832

𝑃(𝑋 ≤ 3) = 0,43347 = 43,35%

 6

Varianza 𝜎 2 :

𝑉𝑎𝑟(𝑥 ) = 𝜆

𝜎2 = 4

Desviación estándar 𝜎:

𝜎 = √𝜎 2

𝜎 = √4

𝜎=2

Ejercicio 2

Realizado en el Parque “La tortuga”, un estudio comunitario registra en promedio 13 perros

callejeros que llegan a dormir y descansar cada noche en dicho parque. ¿Cuál es la probabilidad

de que lleguen un total de 28 perros en 3 noches?

Función de Probabilidad de Poisson:

𝑒 −𝜆 ∙ 𝜆𝑥
𝑃 (𝑋 = 𝑥 ) =
𝑥!

Landa (𝜆), Esperanza matemática 𝐸 [𝑋] = 𝜆

𝜆 = 13 Promedio de perros que llegan en una noche.

𝜆 = 39 Promedio de perros que llegan en 3 noches (13 perros/noche ∙ 3 noches = 39 perros).

Probabilidad de que lleguen un total de 28 perros en 3 noches:

𝑒 −39 ∙ 3928
𝑃 (𝑋 = 28) =
28!

4,0957 𝑥 1027
𝑃 (𝑋 = 28) =
3,0489 𝑥 1029

𝑃(𝑋 = 28) = 0,01343 = 1,34%

 7

Varianza 𝜎 2 :

𝑉𝑎𝑟(𝑥 ) = 𝜆

𝜎 2 = 39

Desviación estándar 𝜎:

𝜎 = √𝜎 2

𝜎 = √39

𝜎 = 6,245

Ejercicio 3

Una maquina produce pernos, en cada caja que produce se encuentran 100 pernos. La

probabilidad de encontrar pernos defectuosos es de 0,02. ¿Cuál es la probabilidad de que una

caja contenga 2 pernos defectuosos?

Función de Probabilidad de Poisson:

𝑒 −𝜆 ∙ 𝜆𝑥
𝑃 (𝑋 = 𝑥 ) =
𝑥!

Landa (𝜆), Esperanza matemática 𝐸 [𝑋] = 𝜆

𝜆 = 0,02 Promedio de pernos defectuosos.

𝜆=2 Promedio de pernos defectuosos por cada caja (0,02*100)

Probabilidad de encontrar 2 pernos defectuosos en una caja es de:

𝑃(𝑋 = 2) = ?

𝑒 −2 ∙ 22
𝑃 (𝑋 = 2) =
2!

0.1353 𝑥 4
𝑃(𝑋 = 28) =
2
 8

𝑃(𝑋 = 2) = 0,2707 = 27,07%

Varianza 𝜎 2 :

𝑉𝑎𝑟(𝑥 ) = 𝜆

𝜎2 = 2

Desviación estándar 𝜎:

𝜎 = √𝜎 2

𝜎 = √2

𝜎 = 1,4142

Ejercicio 4

En un hospital de la ciudad de Milagro se esta estudiando los nacimientos de bebés del sexo

femenino. Se sabe que en una semana nacen siete niñas en promedio. Calcular:

1. ¿Cuál es la probabilidad de que nazcan 3 niñas en una semana?

2. ¿Cuál es la probabilidad de que nazcan menos de 3 niñas a la semana?

Función de Probabilidad de Poisson:

𝑒 −𝜆 ∙ 𝜆𝑥
𝑃 (𝑋 = 𝑥 ) =
𝑥!

Landa (𝜆), Esperanza matemática 𝐸 [𝑋] = 𝜆

𝜆=7 Promedio de nacimientos en una semana.

Probabilidad de que nazcan 3 niñas en una semana:

𝑒 −7 ∙ 73
𝑃 (𝑋 = 3) =
3!

0,3130
𝑃(𝑋 = 3) =
6
 9

𝑃(𝑋 = 3) = 0,052 = 5,21%

La probabilidad de que nazcan menos de 3 niñas a la semana:

𝑃(𝑋 < 3) = ?

𝑒 −7 ∙ 72
𝑃(𝑋 = 2) = = 0,022
2!

𝑒 −7 ∙ 71
𝑃(𝑋 = 1) = = 0,006
1!

𝑒 −7 ∙ 70
𝑃(𝑋 = 0) = = 0,001
0!

𝑃(𝑋3) = 𝑃(𝑋 = 2) + 𝑃(𝑋 = 1) + 𝑃 (𝑋 = 0)

𝑃(𝑋 ≤ 3) = 0,022 + 0,006 + 0,001

𝑃(𝑋 ≤ 3) = 0,029 = 2,9%

Varianza 𝜎 2 :

𝑉𝑎𝑟(𝑥 ) = 𝜆

𝜎2 = 7

Desviación estándar 𝜎:

𝜎 = √𝜎 2

𝜎 = √7

𝜎 = 2,65
 10

Ejercicio 5
 11

Conclusión

La distribución de Poisson es una distribución de una variable aleatoria discreta en los que se

indican eventos con la condición de que estos estén sujetos a una unidad determinada de tiempo

y espacio, tal cual el número de clientes que vayan a una tienda en determinada hora o el número

de aves que pasan por un determinado paisaje en un día. En esta distribución se nos debe hacer

conocer la media o esperanza matemática a la cual se la denomina como lambda, éste lambda

también será la varianza de la distribución. Con los previos conocimientos esta distribución nos

permite hallar la probabilidad de que sucedan ciertos eventos de este tipo.

 12

Bibliografía

Blanco Castaneda, Liliana. 2010. Probabilidad. Editorial Universidad Nacional de Colombia.

Guerra Bustillo, Caridad W. 2003. Estadistica. Editorial Felix Varela.

Guerra Bustillo, Caridad W. 2003. Estadística. Editorial Félix Varela.

Monroy Saldívar, S. 2008. Estadística descriptiva.

Islas Salomón, C. A. Colín Uribe, M. P. ; Morales Téllez, F. 2018. Probabilidad y estadística.

Grupo Editorial Éxodo.