Prospect. Vol. 12, No. 1, Enero - Junio de 2014, pgs.

99-107

Distribuciones Poisson y Gamma: Una Discreta y Continua Relacin

Poisson and Gamma Distributions: A Discrete and Continuous Relationship
Indira Arroyo1, Luis C. Bravo M.2, Dr. Ret. Nat. Humberto Llins.3, Msc. Fabin L. Muoz.4
Estudiante de Maestra en Estadstica Aplicada. Universidad del Norte.
Estudiante de Maestra en Estadstica Aplicada. Universidad del Norte.
3
Director de Maestra en Estadstica Aplicada. Universidad del Norte.
4
Docente Investigador. Universidad del Norte. E-mail: flmunoz@uninorte.edu.co
1
2

Recibido 18/12/13, aceptado 30/01/2014

RESUMEN
En el presente artculo se indica la relacin que existe entre la distribucin de Poisson y la distribucin Gamma,
de una manera concisa y elemental. Se inicia revisando los aspectos y/o propiedades bsicas de cada distribucin.
Esto incluye las respectivas demostraciones de funcin de probabilidad y funcin de densidad, adems de las pertinentes frmulas de esperanza y varianza, junto con las demostraciones de cada una de stas. Se exhiben algunas
propiedades a tener en cuenta para cada distribucin, y posteriormente se presenta la relacin existente entre estas ltimas. Se proponen tambin, algunos ejemplos que ilustren el empleo de cada distribucin y su mencionada
relacin.
Palabras clave. Distribucin de Poisson, Distribucin Gamma, Funcin de Probabilidad, Funcin de Densidad,
Distribucin Acumulada, Esperanza, Varianza.

ABSTRACT
This article shows the relationship between the Poisson distribution and the Gamma distribution, in a concise
and elementary way. It starts by reviewing the aspects and/or basic properties of each distribution. This includes
demonstrations respective probability function and density function, besides the pertinent formulas expectation and
variance, together with demonstrations of each of these. It exhibits some properties to be considered for each distribution, and presents the relationship between the latter. It also proposes some examples that illustrate the use
of each distribution and its relationship mentioned.
Keywords. Poisson Distribution, Gamma Distribution, Probability Function, Density Function, Cumulative Distribution, Expectation, Variance.

INTRODUCCIN

La relacin esencial entre las distribuciones anteriormente

mencionadas, sucede cuando el parmetro de la distribucin gamma, , es un entero positivo cuando esto sucede,
la distribucin gamma es tambin llamada distribucin de
Erlang y el nmero de eventos aleatorios independientes
que suceden en un intervalo especfico es una variable de
Poisson, con una frecuencia constante de ocurrencia igual
a
.

La distribucin de probabilidad de la variable aleatoria

que representa el nmero de resultados que suceden durante un intervalo de tiempo dado, o una regin especfica,
recibe el nombre de distribucin de Poisson, con parmetro
. Mientras que la distribucin de probabilidad de la variable aleatoria que representa el tiempo, hasta que se produce veces un determinado suceso, se llama distribucin
Gamma (sta es una manera de describir a la distribucin
gamma), con parmetros y . A primera vista, no es tan
inmediato presentar una relacin entre las dos distribuciones. Pero sta s existe y es tratada brevemente en diversos
textos especializados.

Adems, recordemos que existe una distribucin de probabilidad llamada distribucin exponencial (llamada tambin
exponencial negativa), la cual es un caso especial de la distribucin gamma o distribucin de Erlang, y que presenta
una evidente conexin entre la distribuciones Poisson y

99

Distribuciones Poisson y Gamma: Una Discreta y Continua Relacin

gamma. La distribucin exponencial describe el tiempo

hasta la primera ocurrencia de un evento de Poisson. As,
las aplicaciones ms importantes de esta distribucin son
aquellas situaciones en donde se aplica el proceso de Poisson. En la distribucin de Poisson es el nmero promedio de eventos por unidad de tiempo, mientras que en la
distribucin exponencial
es la tasa de ocurrencia de un
evento por unidad de tiempo.
Es primordial informar que la importancia de este artculo no solo radica en presentar la relacin final entre las
distribuciones Poisson y gamma, la cual brinda un grano
de arena en el proceso de observar y/o analizar de mejor
manera el propsito y la estructura de la teora de probabilidad, sino que tambin es relevante reconocer o recordar
las propiedades, y dems aspectos, que tiene cada una,
para efectuar un mejor estudio y uso de stas.
Cabe sealar que textos como el de Probabilidad y Estadstica de G. Canavos[1], Probabilidad y Estadstica para Ingenieros de Walpole[1] y Probabilidad y Estadstica de Alejandro
D. Zylberberg[2] realizan, en algunos de sus apartados, un
anlisis similar en ciertos aspectos, al que se hace en este
artculo. Obviamente, dichos textos no solo abordan las
distribuciones de las que aqu se hablar, sino que, como
su nombre lo indica, presentan una introduccin a la teora de la probabilidad y a la estadstica, enfatizando en sus
aplicaciones. Adems, se informa que algunos aspectos
estructurales de este trabajo se basaron en el artculo La
Distribucin Poisson-Beta: Aplicaciones y Propiedades En La
Teora Del Riesgo Colectivo[3].
Este artculo est estructurado como sigue: En la primera
seccin se presenta la distribucin de Poisson; funcin de
probabilidad, ejemplo prctico, funcin de distribucin acumulada, propiedades, grficas, y las demostraciones de las
respectivas esperanza y varianza. En la segunda seccin se
aborda la distribucin gamma; se inicia con un apartado de
la funcin gamma y, posteriormente, se desarrolla el mismo
proceso de presentacin de la distribucin de Poisson. En
la tercera seccin se exhiben la distribucin de Erlang y la
distribucin exponencial como las distribuciones que evidencian la relacin entre la distribucin de Poisson y la distribucin gamma, incluyendo algunos ejemplos. Finalmente
en la ltima seccin se da a conocer algunas conclusiones.
1. DISTRIBUCIN DE POISSON

La distribucin de Poisson es una distribucin de probabilidad discreta que expresa, a partir de una frecuencia de
ocurrencia media , la probabilidad que ocurra un determinado nmero de eventos
durante un intervalo de
tiempo dado o una regin especfica.
Definicin 1.1 Sea
una variable aleatoria que representa el
nmero de eventos aleatorios independientes que ocurren a una
rapidez constante sobre el tiempo o el espacio. Se dice entonces
que la variable aleatoria tiene una distribucin de Poisson con
funcin de probabilidad

Teorema 1.1 La funcin

es una funcin de probabilidad.

Demostracin 1.1
Debemos probar que
Debido a que si
mos analizar

Pero

. Para este caso

entonces

, solo debe-

. As,

Por tanto

es una funcin de probabilidad.

La funcin de distribucin acumulativa de Poisson

,
la cual permite determinar la probabilidad de que una variable aleatoria de Poisson sea menor o igual a un valor
especfico , tiene la siguiente forma:

1.2 Propiedades de la distribucin de Poisson

La distribucin de Poisson desempea un papel importante, por derecho propio, como un modelo probabilstico
apropiado para un gran nmero de fenmenos aleatorios.

1.1 Distribucin de Poisson

Llamada as en honor a Simen-Denis Poisson, quien la
describi por primera vez a finales del siglo XIX Dentro
de su trabajo: Recherches sur la probabilit des jugements en
matirescriminelles et matirecivile (Investigacin sobre la probabilidad de los juicios en materias criminales y civiles) [4, 5].

Las caractersticas mas sobresalientes de esta distribucin son:

100

La distribucin de Poisson tiene la particularidad de

que la esperanza
y la varianza
son igua-

Prospect. Vol. 12, No. 1, Enero - Junio de 2014, pgs. 99-107

les (la verificacin y/o demostracin de estas frmulas se presentan ms adelante en esta seccin), esto es:

tivamente
y
. Observemos ahora la
demostracin de estas afirmaciones.

Teorema 1.3 La esperanza de la distribucin de Poisson tiene

valor
.

Los factores de forma de la distribucin de Poisson son:

Demostracin 1.3 Tenemos que

Coeficiente de asimetra:
Ahora bien, sea

Curtosis relativa:

Con lo anterior se puede observar que la distribucin

de poisson es leptocrtica con un sesgo positivo.

La funcin generadora de momentos de la variable aleatoria de Poisson , con valor esperado , es

El espacio muestral en un modelo de Poisson se genera por un nmero muy grande (puede considerarse infinito) de repeticiones de un experimento cuyo
modelo de probabilidad es el de Bernoulli, con probabilidad de xito muy pequea. Por esta razn, a la
distribucin de Poisson se le suele llamar de eventos
raros. Las repeticiones del experimento de Bernoulli
se realizan en cada uno de los puntos de un intervalo
de tiempo o espacio. La probabilidad de que se tenga
dos o ms xitos en el mismo punto del intervalo es
cero. El nmero promedio de xitos en un intervalo
es una constante , que no cambia de intervalo a intervalo.
La distribucin de Poisson se puede expresar de forma grfica, ya que en realidad consiste en un diagrama de barras, con forma asimtrica positiva como
sucede con la distribucin binomial. Sin embargo,
al ir aumentando los valores de , va adquiriendo la
tpica forma de la Campana de Gauss (esto se puede evidenciar analizando el coeficiente de asimetra -su
objetivo es determinar, sin necesidad de dibujar, la
deformacin horizontal de la distribucin con respecto a un valor central, generalmente la media [6]- mencionado anteriormente), pudiendo deducirse, que
conforme aumenta , las variables de Poisson van a
poder aproximarse a la distribucin normal, por el
Teorema Central del Lmite. La aproximacin se considera buena para valores de iguales o superiores a
nueve.
1.3 Esperanza

y Varianza

Ya sabemos que los valores de la esperanza (o media) y

de la varianza para la distribucin de Poisson son respec-

, con lo cual obtenemos

Teorema 1.4 La varianza de la distribucin de Poisson tiene

valor
.
Demostracin 1.4 Por propiedades de la varianza
tenemos que
. Adems,
. Entonces, sea

Ahora bien, sea

As,

, por lo que obtenemos

. Con lo cual

Observemos ahora, un ejemplo prctico en donde se aplica la distribucin de Poisson.

Ejemplo 1. Los buses llegan a cierta terminal de transporte, y
se sabe que siguen un proceso de Poisson, con tasa de 8 buses por
hora, de modo que el nmero de llegadas por un perodo de horas
es una variable de Poisson con parmetro
[7].
-
-

Cul es la probabilidad de que exactamente 5 buses

lleguen durante un periodo de una hora?
Cuantos buses se pueden esperar a que lleguen durante 90 minutos?

Solucin
La llegada de los buses a la terminal de transporte se distribuyen segn Poisson. Sea una variable que representa el nmero de buses que llegan a la terminal de transporte durante un periodo de tiempo .

101

Distribuciones Poisson y Gamma: Una Discreta y Continua Relacin

Se pide calcular la probabilidad de que lleguen exactamente 5 buses durante una hora.

Por tanto, existe una probabilidad del 9.1% de que lleguen

exactamente 5 buses a la terminal durante una hora.
-

Se pide calcular la cantidad de buses que podran llegar en un tiempo de hora y media.

Ahora bien, por propiedad de la distribucin de Poisson,

. Con lo cual tendramos que la desviacin estndar,
, para este caso es
.
Se espera entonces, que en una hora y media lleguen, en
promedio, 12 buses a la terminal de transporte, con una
desviacin estndar de 3 buses. Esto quiere decir que, en
realidad, se espera que lleguen entre 9 y 15 buses.
2. DISTRIBUCIN GAMMA
Antes de estudiar la distribucin gamma, es pertinente observar y/o examinar algunos detalles de la funcin a la que
debe su nombre, la funcin gamma.

Sin embargo, por la definicin de

y de aqu

Algunas propiedades adicionales de

son:

si es un entero positivo.

Estas propiedades sern de gran utilidad en las secciones

2.2 y 2.4.
2.2 Distribucin Gamma
Se le conoce, tambin, como una generalizacin de la
distribucin exponencial, adems de la distribucin de
Erlang y la distribucin Ji-cuadrada [8]. Es una distribucin de probabilidad continua adecuada para modelizar
el comportamiento de variables aleatorias con asimetra
positiva y/o los experimentos en donde est involucrado
el tiempo.
Definicin 2.2 Una variable aleatoria tiene una distribucin
gamma si su funcin de densidad est dada por:

2.1 Funcin Gamma

Es una funcin que extiende el concepto de factorial a los
nmeros complejos. Fue presentada, en primera instancia,
por Leonard Euler entre los aos 1730 y 1731.
La funcin gamma
se define,
Definicin 2.1 Sea

, donde

Teorema 2.1 La funcin

es una funcin de densidad.

Demostracin 2.1
Debemos probar que
.

. Para este caso

De esta manera,

Con el fin de observar algunos resultados o propiedades

de esta funcin, procederemos a integrar por partes. Tomando
y
, obtenemos
Pero segn la definicin de
Para

, lo cual ocasiona la frmula

As,

Realizamos el siguiente cambio de variable. Sea

entonces
, as
. Por lo cual tendramos

Al aplicar reiteradamente la frmula anterior tendramos,

y as sucesivamente. Se evidencia que cuando

de es un entero positivo,

, don

102

Prospect. Vol. 12, No. 1, Enero - Junio de 2014, pgs. 99-107

La funcin generadora de momentos de la variable

aleatoria gamma
est dada por
,
con
.
Ahora bien, recordemos que

, donde

As,
Por tanto

es una funcin de densidad.

La funcin de distribucin acumulativa de gamma

, la
cual permite determinar la probabilidad de que una variable aleatoria de gamma sea menor a un valor especfico
, se determina de la siguiente expresin:

2.3 Propiedades de la distribucin gamma

Como se mencion anteriormente, es una distribucin
adecuada para modelizar el comportamiento de variables
aleatorias continuas con asimetra positiva. Es decir, variables que presentan una mayor densidad de sucesos a
la izquierda de la media que a la derecha. En su expresin
se encuentran dos parmetros, siempre positivos, y
de los que depende su forma y alcance por la derecha, y
tambin la funcin gamma
, responsable de la convergencia de la distribucin.
Podemos presentar las siguientes propiedades:
Los valores de la esperanza
se determinan mediante

y varianza

-
-

El primer parmetro, , sita la mxima intensidad

de probabilidad y por este motivo es denominada la
forma de la distribucin. Cuando se toman valores
prximos a cero aparece entonces un dibujo muy similar al de la distribucin exponencial. Cuando se toman valores grandes de , el centro de la distribucin
se desplaza a la derecha, por lo que va apareciendo la
forma de la campana de Gauss con asimetra positiva. El segundo parmetro, , es el que determina la
forma o alcance de la asimetra positiva desplazando
la densidad de probabilidad en la cola de la derecha.
Para valores elevados de la distribucin acumula
ms densidad de probabilidad en el extremo derecho
de la cola, alargando mucho su dibujo y dispersando
la probabilidad a lo largo del plano. Al dispersar la
probabilidad la altura mxima de densidad de probabilidad se va reduciendo; de aqu que se le denomine
escala. Valores mas pequeos de
conducen a una
figura ms simtrica y concentrada, con un pico de
densidad de probabilidad ms elevado. Una forma
de interpretar es tiempo promedio entre ocurrencia de un suceso.
Dadas dos variables aleatorias y con distribucin
gamma y parmetro comn. Esto es

Se cumplir que la suma tambin sigue una distribucin Gamma

Relacin con otras distribuciones:

La verificacin y/o demostracin de estas frmulas se presentan ms adelante en esta seccin.

Los factores de forma de la distribucin gamma son:

-

Coeficiente de asimetra:

Curtosis relativa:

Con lo anterior se puede observar que la distribucin

gamma es leptocrtica y tiene un sesgo positivo. Tambin observamos que conforme el parmetro crece,
el sesgo se hace menos pronunciado y la curtosis relativa tiende a 3.

Si se tiene un parmetro de valores elevados y

pequea, entonces la funcin gamma converge con
la distribucin normal. De media
, y varianza
.

- Cuando

proporcin entre parmetros es

entonces la variable aleatoria se distribuye como una Chi-cuadrado con grados de libertad.

la

Si
, entonces se tiene la distribucin exponencial
de parmetro
.

De esta forma, la distribucin gamma es una distribucin flexible para modelizar las formas de la asime-

103

Distribuciones Poisson y Gamma: Una Discreta y Continua Relacin

tra positiva, de las ms concentradas y puntiagudas,

a las mas dispersas y achatadas.

Para valorar la evolucin de la distribucin al variar

los parmetros se tienen los siguientes grficos. Primero se comprueba que para
la distribucin tiene similitudes con la exponencial.

2.4 Esperanza

y Varianza

Sabemos que los valores de la esperanza (o media) y de la

varianza para la distribucin gamma son respectivamente
y
. Observemos ahora la demostracin de estas afirmaciones.
Teorema 2.3 La esperanza de la distribucin gamma est dada
por
.

Ejemplo 2. Supongamos que la experiencia demuestra que el

tiempo (en minutos) necesario para dar mantenimiento peridico a un dictfono sigue una distribucin gamma con
y
. A un nuevo tcnico en mantenimiento le toma 22.5 minutos revisar la mquina. Concuerda este tiempo utilizado en el
mantenimiento al dictfono con el perodo anterior? [7]
Solucin
La media y varianza de los tiempos de mantenimiento
(con base en la experiencia anterior) son:

Se deduce que
. Advierta que
supera a la esperanza
por 16.3 minutos o,
. As segn la regla de Tchebychev.

Demostracin 2.3 Tenemos

Por tanto,
Ahora bien, sea

, con lo que

, as

Teorema 2.4 La varianza de la distribucin gamma est dada

por
.
Demostracin 2.4 Al igual que para la distribucin de Poisson
tenemos que
. Encontremos entonces

Esta probabilidad se basa en el supuesto de que la distribucin de los tiempos de mantenimiento no es diferente
de lo establecido. Por consiguiente, si observamos que
es pequea, debemos concluir que nuestro
nuevo tcnico en mantenimiento gener por azar un perodo de mantenimiento prolongado, que tiene baja probabilidad de ocurrir, o que es ms lento que los anteriores.
Si tomamos en cuenta la baja probabilidad de
,
optamos por la ltima probabilidad.
3. UNA DISCRETA Y CONTINUA RELACIN

Ahora bien, sea

, con lo que

La relacin entre estas dos distribuciones (Poisson y gamma) se efecta al incluir la distribucin de Erlang, y su caso
especial, la distribucin exponencial.

, as

3.1 Distribucin de Erlang

Con esto,

Esta distribucin fue desarrollada para examinar el nmero de las llamadas telefnicas que se pudieron efectuar, al
mismo tiempo, a los operadores de las estaciones de conmutacin. Recibe su nombre en honor al cientfico dans
Agner Krarup Erlang, quien la introdujo por primera vez
a principios del ao 1900.

Observemos ahora, un ejemplo prctico en donde se aplica la distribucin gamma.

La distribucin de Erlang sucede cuando el parmetro

, en la distribucin gamma, es un entero positivo. Es
decir,

104

Prospect. Vol. 12, No. 1, Enero - Junio de 2014, pgs. 99-107

es la funcin de densidad de probabilidad para la variable
aleatoria que tienen una distribucin de Erlang.
Ahora bien, si el nmero de eventos aleatorios independientes que ocurren en un lapso especfico es una variable
de Poisson, con una frecuencia constante de ocurrencia
igual a
, entonces para un , el tiempo de espera hasta
que ocurre el -simo evento de Poisson tiene una distribucin de Erlang. Lo anterior se evidencia al comparar las
funciones de distribucin acumulativas de las distribuciones Poisson y Erlang. As, siendo la funcin de distribucin acumulada para la distribucin de Poisson, tenemos

Con lo cual, la probabilidad de que ocurran a lo ms

eventos de Poisson en un tiempo , a una frecuencia constante
, est dada por:

Por otro lado, si se supone que el tiempo de espera sigue

el modelo de Erlang, la probabilidad de que el tiempo de
espera hasta que ocurra el -simo evento exceda un lapso
especfico, est determinado por

Ejemplo 3 El nmero de clientes, en promedio, que llegan por

minuto a solicitar servicio a un banco es de 5. Cul es la probabilidad de que dos clientes tarden de 30 a 45 segundos en llegar
al banco?
Solucin.
Tener en cuenta que:
El nmero de clientes por minuto que llegan a solicitar servicio a un banco es una variable aleatoria discreta Poisson (con parmetro ).
El tiempo que tarden clientes en llegar a solicitar
servicio a un banco es una variable aleatoria continua
Gamma
.
Ahora bien,

Sea
la variable aleatoria continua que representa el
tiempo, en segundos, que tardan clientes en llegar a un
banco.
As,
. Donde

Por tanto,

Con lo cual,

Para este caso,

En otras palabras, la probabilidad de que el tiempo que
transcurre hasta el -simo evento exceda el valor
es igual a la probabilidad de que el nmero de eventos
de Poisson observados en no sea mayor que
. De
esta forma, la distribucin de Erlang es el modelo para el
tiempo de espera hasta que ocurre el -simo evento de
Poisson, y la distribucin de Poisson es el modelo para
el nmero de eventos independientes que ocurren en un
tiempo , encontrndose ste distribuido de acuerdo con
el modelo de Erlang. En este contexto,
es la frecuencia constante de ocurrencia y es el tiempo promedio
entre dos ocurrencias sucesivas. Anlisis basado en Canavos [9]

De esta manera, la probabilidad de que dos clientes tarden

de 30 a 45 segundos en llegar al banco es de aproximadamente 17.56%.
Ejemplo 4 A una centralista de telfonos llegan 12 llamadas
por minuto, siguiendo una distribucin de Poisson. Cul es la
probabilidad de que en menos de 1 minuto lleguen 8 llamadas?
[10]

105

Distribuciones Poisson y Gamma: Una Discreta y Continua Relacin

Solucin.
Sea
la variable aleatoria que representa el tiempo que
transcurre hasta un determinado nmero de llamadas. Se
observa que

Adems,

, por lo que

hasta el primer evento de Poisson. De hecho, las aplicaciones ms relevantes de la distribucin exponencial son
situaciones en donde se aplica el proceso de Poisson.
La relacin entre la distribucin exponencial y la distribucin de Poisson la podemos observar de la siguiente manera. Recordemos que la distribucin de Poisson es una
distribucin con un solo parmetro donde representa
el nmero medio de eventos por unidad de tiempo.
Consideremos ahora la variable aleatoria descrita por el
tiempo que se requiere para que ocurra el primer evento.
Haciendo uso de la distribucin de Poisson, encontramos
que la posibilidad de que no ocurra algn evento, en el
periodo hasta el tiempo est dada por

Para este caso,

As, existe una probabilidad del 91.05%, aproximadamente, de recibir 8 llamadas en un lapso menor a un minuto.

Podemos ahora utilizar lo anterior y hacer que

sea el
tiempo para el primer evento de Poisson. La probabilidad
de que la duracin del tiempo hasta el primer evento exceda es la misma que la probabilidad de que no ocurra
algn evento de Poisson en . Esto ltimo, por supuesto,
est dado por
Como resultado,

3.2 Distribucin Exponencial

Se ha observado que la distribucin gamma, cuando el parmetro toma un valor entero positivo, se conoce como
distribucin de Erlang. Ahora bien, cuando ese entero positivo es igual a uno, esto es
, la distribucin de Erlang
se reduce a la conocida distribucin exponencial, siendo
as la distribucin exponencial un caso especial de la distribucin gamma. Debido a lo mencionado anteriormente
y al hecho de que sta distribucin se deriva de la distribucin de Poisson, su descubrimiento se le atribuye a Agner
Krarup Erlang y Simon-Denis Poisson.
La distribucin exponencial es utilizada para determinar
la probabilidad de que en cierto tiempo suceda un determinado evento.

As la funcin de distribucin acumulada para

dada por

est

Ahora bien, a fin de que reconozcamos la presencia de la

distribucin exponencial, podemos diferenciar la funcin
de distribucin acumulada anterior para obtener la funcin de densidad

que es la funcin de densidad de la distribucin exponencial con

. Anlisis basado en Walpole [1].

Definicin 3.1 Una variable aleatoria tiene una distribucin

exponencial si su funcin de densidad est dada por

Ejemplo 5 En promedio, por un parador de buses poco transitado, pasan 3 buses por hora, distribuidos segn un proceso
Poisson. Cul es la probabilidad de tener que esperar un bus
ms de 20 minutos?

Donde

Solucin.
La llegada de los buses al parador se distribuye segn
Poisson. Sea la variable aleatoria que representa el tiempo de espera hasta llegar un (o el primer) bus. Entonces,

es igual a

De este modo, y gracias al anlisis efectuado en la seccin

anterior (distribucin de Erlang), se puede interpretar a
la distribucin exponencial como el lapso que transcurre

106

Prospect. Vol. 12, No. 1, Enero - Junio de 2014, pgs. 99-107

As,

,y

Por tanto, la probabilidad de esperar la llegada de un bus

por ms de 20 minutos es del 36.8% aproximadamente.

Ejemplo 6 En una tela, las fallas se distribuyen segn un proceso Poisson, a razn de 1 falla cada 15 metros. Cul es la probabilidad de que la distancia entre la 4a falla y la 5a falla sea
mayor a un metro?
Solucin
Este ejemplo muestra que, en un proceso Poisson, el intervalo entre dos eventos consecutivos es una variable
exponencial. Entonces La distancia entre dos fallas consecutivas (sean stas la 4a y 5a la u otras dos consecutivas
cualesquiera) es una variable exponencial con
.
Con lo cual,

La relacin entre la distribucin de Poisson y la distribucin gamma se hace evidente al estudiar las distribuciones de Erlang y exponencial (derivadas de la
distribucin gamma). As, mientras la distribucin de
Erlang es el modelo para el tiempo de espera hasta
que ocurre el -simo evento de Poisson, la distribucin exponencial modela el lapso de tiempo que
transcurre hasta el primer evento de Poisson. Adems, al estudiar las grficas de las distribuciones de
Poisson y gamma (o sus factores de forma) nos damos cuenta que ambas son leptocrticas con sesgos positivos, con caractersticas muy similares al variar sus
parmetros.

REFERENCIAS
[1] Canavos G. C. Probabilidad y Estadstica. Aplicaciones y
Mtodos. Traduccin de Edmundo G. Urbina M. McGrawHill. Mxico, 1988.
[2] Blanco L. Probabilidad. Universidad Nacional de Colombia. Bogot, 2004.

Por tanto, hay una probabilidad del 93.55% de que la distancia entre la 4a y 5a la falla sea mayor a un metro.
4. CONCLUSIONES
Generalmente conocemos el valor de (la cantidad esperada de eventos por unidad de tiempo), y entonces nos
preguntamos cuntos eventos obtendremos en una determinada cantidad de tiempo, o cunto tiempo tendremos
que esperar hasta observar una determinada cantidad de
eventos. De esta forma obtenemos 2 distribuciones:
-

Poisson: consiste en preguntar por la cantidad de

eventos en el perodo (la longitud de un intervalo
del continuo que va a estudiarse). Es decir, dado ,
calcular la distribucin de (la cantidad de eventos
que hay en ese intervalo).

Gamma: consiste en preguntar por la cantidad de

tiempo necesario hasta observar eventos. Es decir,
dado , calcular la distribucin de .

Y adems:
-

Exponencial: caso particular de Gamma cuando

,
es decir, consiste en preguntar por la cantidad de
tiempo necesaria hasta obtener el primer evento.

[3] Llins H., Rojas C. Estadstica Descriptiva y Distribuciones

de Probabilidad. Ediciones Uninorte. Barranquilla, 2009.
[4] Walpole R. E., Myers R. H., Myers S. L. Probabilidad y
Estadstica Para Ingenieros. Traduccin de Ricardo Cruz.
Prentice-Hall, Inc. Mxico, 1999.
[5] Zylberberg A. D. Probabilidad y Estadstica. Editorial
Nueva Librera. Argentina, 2005.
[6] Garca H. A., Solarte C., Imuez M. BioEstadstica. Editorial
Universitaria - Universidad de Nario. Pasto, 2009.
[7] Gomz E., Sarabia J. M., Prieto F. La Distribucin PoissonBeta: Aplicaciones Y Propiedades En La Teora Del Riesgo Colectivo.
Tomado desde: <http://www.actuarios.org/espa/anales/2009/
Pag%20141-160.pdf>, [Acceso el 5 de agosto de 2013].
[8] Ecos de la economa. Distribucin Gamma. Tomado desde: <http://ecosdelaeconomia.files.wordpress.com/2011/05/
distribucion-gamma.pdf>, [Acceso el 5 de agosto de 2013].
[9] Armitage P., BerryG. Estadstica Para La Investigacin
Biomdica. Edisin en espaol. Harcourt Brace. Madrid,
Espaa. 1997.
[10] MonteroJ. Ma. Estadstica Descriptiva. International
Thomson Editores. Espaa. 2007.

107