2.

4 DISTRIBUCIONES DE POISSON

La distribución de Poisson se puede comprender como un caso particular de la

Binomial que utilizamos para determinadas distribuciones en las que el cálculo
de la probabilidad es complicado debido bien a que el número de pruebas es
excesivamente elevado o bien a que la probabilidad de éxito es excesivamente
baja; en ambos casos la media(np) es muy pequeña en relación al número de
pruebas(n). En estos casos se puede demostrar que la distribución binomial
converge, tiende a comportarse, como una distribución de Poisson.

Algunos ejemplos de fenómenos que se ajustan a una distribución de Poisson

son los siguientes:
 El número de accidentes de tráfico en la ciudad de Piura durante una
semana.
 El número de emergencias que llegan a un servicio de urgencia
hospitalaria.
 El número de robos denunciados en un mes en la población de Piura.
 El número de llamadas telefónicas que llegan a la centralita de una gran
empresa en hora punta.

Diremos que los eventos discretos que se generan en un intervalo continuo

(unidad de medida: longitud, área, volumen etc.) forman un proceso de
Poisson con parámetro λ

La distribución de probabilidad de Poisson, como se ha mostrado, tiene que ver

con ciertos procesos que son descritos por una variable aleatoria discreta.
Generalmente, la letra X representa a esta variable discreta y puede tomar
valores enteros (0,1,2,3,4,5, etc.). Utilizando la mayúscula X para representar a
la variable aleatoria y la minúscula x para señalar un valor específico que dicha
variable pueda tomar. La probabilidad de tener exactamente x ocurrencias en
una distribución de Poisson se calcula con la fórmula:

Como objeto de entender la distribución de poisson se pondrá un ejemplo como

explicación de la distribución:
Se está investigando la seguridad de una peligrosa intersección de calles. Los
registros de la policía de tránsito indican una media de cinco accidentes
mensuales en esta intersección. El número de accidentes está distribuido de
acuerdo con una distribución de Poisson, y el Departamento de Seguridad de
Tránsito desea que calcular la probabilidad de que en cualquier mes ocurran
exactamente 0,1, 2,3 o 4 accidentes.
Solución:
Se dará la aplicando la fórmula ya anteriormente vista
 Ocurren (0) accidentes:
  Ocurren (1) accidentes:

 Ocurren (2) accidentes:

 Ocurren (3) accidentes:

 Ocurren (4) accidentes:

 Y si queremos conocer la probabilidad de tener (0,1 o 2)

accidentes mensuales.

2.4.1 DISTRIBUCIÓN DE POISSON COMO APROXIMACIÓN A LA

BINOMIAL
El concepto de la distribución Poisson es para ahorrarnos la tediosa tarea de calcular
distribuciones binomiales de probabilidad. La distribución de Poisson puede ser una
razonable aproximación de la binomial, pero sólo bajo ciertas condiciones. Tales
condiciones se presentan cuando n es grande y p es pequeña, esto es, cuando el número
de ensayos es grande y la probabilidad binomial de tener éxito es pequeña. La regla que
utilizan con más frecuencia es que la distribución de Poisson es una buena
aproximación de la distribución binomial cuando (n) es igual o mayor que 20 y p es
igual o menor a 0.05. En los casos en que se cumplen estas condiciones, podemos
sustituir la media de la distribución binomial (np)en lugar de la media de la distribución
de Poisson (λ), por consecuencia la formula seria:

Para entender de manera mas clara esta

aproximación nos enfocamos en el siguiente ejemplo:
Se tiene un hospital con 20 aparatos para “rayos X” y que la probabilidad de que
cualquiera de ellos no funcione bien durante un día cualquiera es de 0.02. ¿Cuál es la
probabilidad de que exactamente tres máquinas estén fuera de servicio en el mismo día?
. Poisson . Binomial

Como observar nos darnos cuenta, la diferencia entre las dos distribuciones de
probabilidad es pequeña de sólo el 10% de error, aproximadamente.

3) Un analista de empresas ha pronosticado que el 3.5% de las pequeñas

empresas irán a la bancarrota en 2023. Para una muestra de 100 pequeñas
empresas, estime la probabilidad de que tres o menos de ellas entren en
bancarrota, suponiendo que la predicción del analista es correcta.
Solución:
Las condiciones para ser analizada como una distribución de Poisson, puesto
que n es muy grande (n=100) y p muy pequeña (p=0,035), por lo que la media
es muy pequeña en relación a n (n*p = 3,5)

para el caso P (0):

0 −3 ,5
3 ,5 . e
P ( X=0 )=
0!
P ( X=0 )=0,302
para el caso P (1):
1 −3 ,5
3,5 .e
P ( X=1 )=
1!
P ( X=1 )=0 , 1057

para el caso P (2):

2 −3 ,5
3 ,5 . e
P ( X=2 )=
2!
P ( X=2 )=0 , 1850
para el caso P (3):
3 −3 ,5
3 ,5 . e
P ( X=3 )=
3!
P ( X=3 )=0 , 21 60

Quedaría:
P ( X ≤3 )=0,302+0,1057+ 0,1850+0,2160=0 , 8 087

4) La proporción de individuos en una población con renta superior a veinte

millones de ptas. es de 0,005%. Determinar la probabilidad de que entre 5.000
individuos consultados haya dos con ese nivel de renta, supuesto que todos los
consultados respondan.
Solución:
Nivel de renta para P (0):
0 −0.5
( ) 0. 5 .e
P X=0 =
0!
P ( X=0 )=0 , 606
Nivel de renta para P (1):
1 −0.5
0.5 . e
P ( X=1 )=
1!
P ( X=1 )=0 , 3033

Nivel de renta para P (2):

2 −0.5
0.5 . e
P ( X=2 )=
2!
P ( X=2 )=0 , 076