Distribución

de Poisson

Permite determinar la probabilidad de la ocurrencia de un

número dado de éxitos por unidad de medición (minuto,
hora, centímetro, metro, cuadrado, etc.)
 DISTRIBUCIÓN DE POISSON

Las ocurrencias de un evento pueden ser descritas en

términos de una variable aleatoria discreta.
Existe un régimen que caracteriza el proceso (número de
ocurrencias por intervalo de tiempo o espacio).
Se usa para describir las distribuciones de probabilidad de:
 Errores en la captura de datos.
 Número de ralladuras u otras imperfecciones en autos.
 Demanda de productos o de servicios.
 Número de clientes en espera de servicio.
 Número de llamadas telefónicas en una central.
 Número de accidentes.
 Número de llegadas de vehículos.
 Número de defectos observados en longitudes, superficies, u
objetos. Diapo
sitiva
2
 CARACTERÍSTICAS DE LA
DISTRIBUCIÓN DE POISSON

La probabilidad de que exactamente una ocurrencia se

presente en cada sub-intervalo de tiempo o espacio es muy
pequeña y es constante para cada sub-intervalo.
La probabilidad de que se presenten dos o más ocurrencias
en un sub-intervalo es tan pequeña que puede ser
considerada cero.
El número de ocurrencias que se presentan en un sub-
intervalo no depende de donde esté localizado dicho sub-
intervalo.
El número de ocurrencias que se presenten en un sub-
intervalo no depende del número de ocurrencias de
cualquier otro sub-intervalo. Diapo
sitiva
3
 PROBABILIDAD EN UNA
DISTRIBUCIÓN DE POISSON

Si f ( x)  P( X  x) para x  0, 1, 2,..., n

 x
e 
P( X  x) 
x!
NUMERO DE
OCURRENCIAS
PROBABILIDAD QUE SE VA A CALCULAR PARA UN
VALOR DADO DE “ X “

λ = promedio de ocurrencias en t unidades de medida

e = 2.71828 Base de logaritmos neperianos o naturales.
Diapo
sitiva
4
 DISTRIBUCIÓN DE POISSON COMO UNA
APROXIMACIÓN DE LA DISTRIBUCIÓN
BINOMIAL
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.

  np
 np x
e (np)
f ( x) 
x!
Diapo
sitiva
5
6-32

DISTRIBUCIÓN DE POISSON

El número medio de éxitos se puede determinar por:

    np
 La varianza de la distribución de Poisson es:

 2    np

donde n es el número de ensayos y

p la probabilidad de éxito.
Diapo
sitiva
6
6-33

EJEMPLO 1
El policlínico de La Victoria Nueva se especializa en el cuidado de lesiones
menores, resfriados y gripe. En las horas de la tarde de 6-10 PM el
número medio de llegadas es 3.0 por hora.
¿Cuál es la probabilidad de que 4 pacientes lleguen en una hora?
¿Cuál es la probabilidad de que como máximo se den 2 llegadas en una hora?
¿Cuál es la probabilidad de que lleguen al menos 3 pacientes en una hora?

t : 1 hora Experimento: Analizar el número de llegadas en 1 hora

X: Número de llegadas en 1 hora
 3 X:0.1,2,3,4,……

e 3 34
P ( X  4)   0.1680
4!
P ( X  2) 

P ( X  3) 
Diapo
sitiva
7
6-33

EJEMPLO 2
Los clientes llegan a la ventanilla del BCP a un
régimen de 24 por hora.
¿Cuál es la probabilidad de que 20 clientes lleguen en 60
minutos?
¿Cuál es la probabilidad de que 9 clientes lleguen en un lapso
de 22 minutos?
Experimento: Analizar el número de clientes por hora
X: Número de clientes por hora
X:0.1,2,3,4,…… t : 1 hora  60 min    24
t : 1 hora ;   24 t : 22 min  
e 24 24 20 e 8.8 8.89
P ( X  20)   0.062 P ( X  9)   0.1314
20! 9!
Diapo
sitiva
8
EJEMPLO 3

Supongamos que se está interesado en la

probabilidad de que exactamente 5
clientes lleguen a Plaza Vea lleguen
durante la siguiente hora (o en cualquier
hora dada) laboral. La observación simple
de la últimas 80 horas ha demostrado que
800 clientes han entrado al negocio.

t : 80 horas ;   800 clientes

t : 1 hora ; 

e 1010 5
P ( X  5)   0.0378
5! Diapo
sitiva
9
 EJEMPLO 4

Si un banco recibe en promedio de 6 cheques sin

fondo por día ¿Cuál es la probabilidad de que reciba
4 cheques sin fondo por día?

 = 6 cheques sin fondo por día.

e = 2.718

P (x = 4;  = 6) = (2.718)-6 (6)4 = 0.13392

4!

Diapo
sitiva
10
 EJEMPLO 5
La probabilidad de tener un accidente de tráfico cada vez
que se viaja es de 0,02, si se realizan 300 viajes, ¿Cuál es la
probabilidad de tener 3 accidentes?

Como la probabilidad de que ocurra un accidente p = 0.02 < 0,05, y n = 300 >
20, entonces aplicamos el modelo de distribución de Poisson.

  np   300 0.02  6
e 6 6 3
P ( X  3)   0.0892
3!

Por lo tanto, la probabilidad de tener 3

accidentes de tráfico en 300 viajes es
del 8,9%

Diapo
sitiva
11
 EJEMPLO 6
En la edificación de cada conjunto habitacional del programa Mi vivienda la
probabilidad de que un trabajador tenga un accidente es de es de 0,012. ¿Si se
realizan 800 conjuntos habitacionales, Cuál es la probabilidad de que sucedan 5
accidentes?

La probabilidad de que un trabajador sufra un accidente es p = 0.012 < 0,05, y

n = 800 > 20, entonces aplicamos el modelo de distribución de Poisson.

  np   800 0.012  9.6

e 9.6 9.6 5
P( X  5)   0.046
5!

Por lo tanto, la probabilidad de que ocurran 5 accidentes

en 800 construcciones es del 4,6%.
Diapo
sitiva
12
RECOMENDACIONES PRÁCTICAS:

•Frente a un problema concreto, analice detenidamente todas sus

características, y al elegir el modelo apropiado, verifique que se
cumplan todos los supuestos del mismo.

•No olvide emplear la distribución de Poisson a la binomial en

aquellos casos en que p es pequeño y n es grande.

•En el caso de variables aleatorias discretas, es importante

diferenciar si la probabilidad deseada incluye o no el valor
particular de la variable. Es decir, que P(X > x) no es lo mismo que
P(X > x) y P (X < x) es distinto de P(X < x).

Diapo
sitiva
13