CRITERIOS Y EVALUACIÓN DEL TRABAJO DE INVESTIGACIÓN.

VALORACIÓN

N° DESCRIPCIÓN % NOTA
ASIGNADO OBTENIDA

Presentación del trabajo (portada, tamaño

1. de letra, orden, secuencia, redacción, 10
ortografía y puntuación, etc.)
Tabla de Contenido
2. Introducción, objetivos generales
10
Contenido
3. Distribución de Poisson, Definición 50
Características de la distribución de
Poisson
Calcular probabilidades de la distribución
de Poisson.
Ejemplos

4. Conclusiones y recomendaciones 10

5. Bibliografía, glosario y anexos 10

6. TOTAL 100
UNIVERSIDAD FRANCISCO GAVIDIA

FACULTAD DE INGENIERÍA Y SISTEMAS

ASIGNATURA: MATEMATICA
CARRERA: ING. INDUSTRIAL

NOMBRE DEL TRABAJO DE INVESTIGACIÓN:

DISTRIBUCIÓN DE POISSON

PROFESOR:
ING. CLAUDIA IVETTE HERNÁNDEZ DE GARCÍA

ALUMNOS:

1. RIVAS SARAVIA, FERMINA PAOLA RS100716

2. VÁSQUEZ MORAN, ANDREA MARÍA VM101316

FECHA DE ENTREGA

DOMINGO 29 DE OCTUBRE, 2017.

Contenido

INTRODUCCION............................................................................................................................... I
OBJETIVOS ...................................................................................................................................... II
DISTRIBUCIÓN DE POISSON ....................................................................................................... 1
CARACTERÍSTICAS DE LA DISTRIBUCIÓN DE POISSON .......................................... 2
CALCULAR PROBABILIDADES DE LA DISTRIBUCIÓN DE POISSON .............................................. 8
EJEMPLOS................................................................................................................................... 9
CONCLUSIONES ............................................................................................................................ 11
RECOMENDACIONES .................................................................................................................... 12
Bibliografía ................................................................................................................................... 13
GLOSARIO..................................................................................................................................... 14
ANEXOS ........................................................................................................................................ 15
INTRODUCCION

En el presente informe revisaremos el uso de la distribución de Poisson, su

definición, características, cómo calcular la distribución de Poisson y ejemplos,
todo esto para obtener la probabilidad de ocurrencia de sucesos raros (esto
quiere decir eventos que ocurren con poca frecuencia) cuyo resultado lo
representa una variable discreta.

I
OBJETIVOS

• Definir en que consiste la distribución de Poisson.

• Investigar las propiedades de una distribución de Poisson.

• Estudiar ejemplos de cálculo de la distribución de Poisson.

II
DISTRIBUCIÓN DE POISSON

Esta distribución es una de las más importantes distribuciones de variable

discreta. Sus principales aplicaciones hacen referencia a la modelización de
situaciones en las que nos interesa determinar el número de hechos de cierto
tipo que pueden producir en un intervalo de tiempo o de espacio, bajo
presupuestos de aleatoriedad y ciertas circunstancias restrictivas. Otro de sus
usos frecuentes es la consideración límite de procesos dicotómicos reiterados
un gran número de veces si la probabilidad de obtener un éxito es muy
pequeña.

Esta distribución de probabilidades fue ampliamente estudiada por el

matemático Simeon Denis Poisson (1781-1840) y fue este matemático quien
definió que cualquier proceso para ser estudiado bajo esta distribución debe
cumplir con características específicas.

Tablas de Poisson (ver anexo 3,4,5 y 6).

PROPIEDADES GENERALES.

1. El campo de variación de la variable, al tratarse de un modelo discreto,

es el conjunto de los números naturales, incluido también el cero.
2. Sea x el número de veces que se repite el evento estudiado, y 𝜆 un
número positivo que nos indica el número de veces que se repite dicho
evento durante un intervalo de tiempo o espacio dado; donde 𝜆 será
nuestro parámetro. Entonces, la función de probabilidad de la
distribución de Poisson es:
3. El valor de la media o esperanza y el de la varianza coinciden y son
iguales al parámetro 𝜆 = E[x]=Var[x]= 𝜆.
4. La función de distribución es:
𝑒 −𝜆 ∙ 𝜆𝑘
F(X) = ∑𝑋𝑥=0
𝑥!
5. La función generatriz es:
𝜆𝑘 𝑒 −𝜆 𝑡 −1)
𝐸 ( 𝑒 𝑡 𝑋 ) = ∑∞
𝑘=0 𝑒
𝑡𝑘
𝑓 (𝑘; 𝜆) = ∑∞
𝑘=0 𝑒
𝑡𝑘
= 𝑒 𝜆 (𝑒
𝑘!
6. La representación en función del parámetro es: (ver anexo 1).

1
 7. La distribución de Poisson cumple la propiedad reproductiva, es decir,
podemos sumar dos distribuciones de Poisson de parámetro 𝜆1 + 𝜆2
respectivamente, de tal forma que obtenemos una distribución de
Poisson cuyo parámetro será igual a la suma de los anteriores: 𝜆1 + 𝜆2.

Relaciones con otras distribuciones se debe a la relación existente con otras

distribuciones. Podemos vincularla con las siguientes:
- Distribución binomial: diremos que una distribución binomial de parámetros
n y p, se aproxima a una distribución de Poisson de parámetro 𝜆 = 𝑛𝑝, cuando
se cumpla que n>30, p<0,1 y np<10.
- Distribución normal: Por el Teorema Central del Límite, tenemos que una
distribución normal donde la media es 𝜆, tiende a una distribución normal donde
la media es 𝜆, y la varianza es 𝜆.
- Distribución exponencial: cuando el número de eventos de un fenómeno
estudiado sigue una distribución de Poisson, entonces, los tiempos discurridos
entre dos eventos seguidos diremos que sigue una distribución.

APLICACIONES

Esta distribución puede ser encontrada en varias ocasiones de la vida cotidiana,

sobre todo en fenómenos relacionados con la naturaleza, es decir, con los
fenómenos que se dan 0, 1,2,… veces en un intervalo de tiempo o espacio.
Algunos ejemplos de estos fenómenos que podemos modelar con una
distribución de Poisson son:
-El numero de peces muertos encontrados por unidad de superficie en una
determinada área.
-El número de vehículos que pasan por un radar fijo durante un intervalo de
tiempo concreto.
-El numero de llamadas telefónicas recibidas en una central por minuto.
-El numero de inventos llevados a cabo por una persona a lo largo de su
carrera, etc.

CARACTERÍSTICAS DE LA DISTRIBUCIÓN DE POISSON

Proceso experimental del que se puede hacer derivar:

Esta distribución se puede hacer derivar de un proceso experimental de
observación en el que tengamos las siguientes características:

2
  Se observa la realización de hechos de cierto tipo durante un cierto
periodo de tiempo a lo largo de un espacio de observación.
 Los hechos a observar tienen naturaleza aleatoria: pueden producirse o
no de una manera no determinista.
 La probabilidad de que produzcan un número x de éxitos en un intervalo
de amplitud t no depende del origen del intervalo (aunque, si de su
amplitud).
 La probabilidad de que ocurra un hecho en un intervalo infinitésimo es
prácticamente proporcional a la amplitud del intervalo.
 La probabilidad de que se produzcan 2 o más hechos en un intervalo
infinitésimo es un infinitésimo de orden superior a dos.
En consecuencia, en un intervalo infinitésimo podrán producirse 0 ó 1
hecho pero nunca más de uno.
 Si en estas circunstancias aleatorizamos de forma que la variable
aleatoria X signifique o designe el “número de hechos que se producen
en un intervalo de tiempo o de espacio”, la variable x se distribuye con
una distribución de parámetro 𝜆, Así: k 𝜑(𝜆)

El parámetro de la distribución es, en principio, el factor de proporcionalidad

para la probabilidad de un hecho en un intervalo infinitésimo. Se le suele
designar como parámetro de intensidad, aunque más tarde veremos que se
corresponde con el número medio de hechos que cabe esperar que se
produzcan en un intervalo unitario (media de la distribución); y también coincide
con la varianza de la distribución.

Por otro lado es evidente que se trata de un modelo discreto y que el campo de
variación será el conjunto de los números naturales, incluido el cero: k 𝜖
[0,1.2.3, 4,……….]

Función de cuantía

A partir de las hipótesis del proceso, se obtiene una ecuación diferencial de

definición del mismo que puede integrarse con facilidad para obtener la función
de cuantía de la variable “numero de hechos que ocurren en un intervalo
unitario de tiempo o espacio”.
𝑥
𝑒 −𝜆 ∙ 𝜆
Que sería: P(x) =
𝑥!

3
Cuya representación gráfica para un modelo de media 11 sería la adjunta. (ver
anexo 2). Obsérvese los valores próximos en la media y su forma parecida a la
campana de Gauss, en definitiva, a la distribución normal.

𝑒 −𝜆 ∙ 𝜆𝑘
La función de distribución vendrá dada por: F(X) = ∑𝑋𝑥=0
𝑥!
Función Generatriz de Momentos:

𝑒−𝜆 ∙ 𝜆𝑘 𝑒𝑡𝑘 ∙ 𝜆𝑘
Su expresión será: 𝜑(𝑡) = 𝐸[𝐸 ] = 𝑡𝑥 ∑∞
𝑥=0 =𝑒 −𝜆
∙ ∑∞
𝑘=0 𝑥! =
𝑥!

−𝜆 𝜆𝑒 𝑡 (𝜆𝑒 𝑡 ) 2 + (𝜆𝑒 𝑡 ) 3
=𝑒 [1+ + ]=
1! 2! 3!
𝑥1 𝑥2 𝑥3
Dado que 𝑒 𝑥 = [1 + + + +…… +…..] tendremos que 𝜑(𝑡) =
1! 2! 3!
𝜆𝑒𝑡
𝑒 −𝜆 ∙ 𝑒

Luego: 𝜑(𝑡) = 𝑒 𝜆 [𝑒 𝜆 - 1]
Para la obtención de la media y la varianza aplicaríamos la F.G.M; derivándola
sucesivamente e igualando t a cero-

Así: 𝜇 = 𝐸 [𝑥] = ᾳ1 donde ᾳ1 = 𝜑 𝑓 (t)

𝑡−1 )
𝜑𝐼 (t) = 𝜆𝑒 𝑓 ∙ 𝑒 𝜆 (𝑒 = 𝜆 ∙ 1 ∙ 𝑒 0= 𝜆
Una vez obtenida la media, obtendríamos la varianza en base a:

𝜎 2 = 𝛼2 - 𝜇 2
𝛼2 = 𝜑𝐼𝐼 (t) así
2−1 ) 𝑡−1 )
𝜑𝐼𝐼 (𝑡) = 𝜆𝑒 𝑡 ∙ 𝑒 𝜆 (𝑒 + (𝜆𝑒 𝑡 )2∙ 𝑒 𝜆 (𝑒
Haciendo t=0
𝜑𝐼𝐼 (t=0) = 𝜆 + 𝜆2

4
Por lo que 𝜎 2 =𝛼2 -𝜇 2 = 𝜆 + 𝜆2 –𝜆2 = 𝜆
Así se observa que la media y varianza coinciden con el parámetro del modelo
siendo, 𝜆.

En cuanto a la moda del modelo tendremos que será el valor de la variable que
tenga mayor probabilidad, por tanto si Mo es el valor modal se cumplirá que:
P (Mo) ≥ P (𝑋𝑖 )

Y en particular: P (Mo) ≥ P (Mo+1)

P (Mo) ≥ P (Mo-1)

A partir de estas desigualdades, es muy sencillo probar que la moda tiene que
verificar: 𝜆 − 1 ≤ 𝑀𝑜 ≤ 𝜆. De manera que la moda será la parte entera del
parámetro 𝜆 o dicho de otra forma, la parte entera de la media.

Podemos observar cómo el intervalo al que debe pertenecer la moda tiene una
amplitud de una unidad, de manera que la única posibilidad de que una
distribución tenga dos modas será que los extremos de este intervalo sean
números naturales, o lo que es lo mismo que el parámetro 𝜆 sea entero, en
cuyo caso las dos modas será: 𝜆 − 1 𝑦 𝜆.

Teorema de adición.

La distribución de Poisson verifica el teorema de adición para el parámetro 𝜆.

“La variable suma de dos o más variables independientes que tengan una
distribución de Poisson de distintos parámetros 𝜆 (de distintas medidas) se
distribuirá, también con una distribución de Poisson con parámetros 𝜆 la suma
de los parámetros 𝜆 (con media, la suma de las medidas):
En efecto:

Sean x e y dos variables aleatorias que se distribuyen con dos distribuciones de

Poisson con parámetros igual a la suma de los de ambas

5
Convergencia de la distribución binomial a la Poisson

Se puede probar que la distribución binomial tiende a converger a la distribución

de Poisson cuando el parámetro n tiende a infinito y el parámetro p tiende a ser
cero, de manera que el producto de n por p sea una cantidad constante. De
ocurrir esto la distribución binomial tiende a un modelo de Poisson de parámetro
𝜆 igual a n por p.

Este resultado es importante a la hora del cálculo de probabilidades, o, incluso

a la hora de inferir características de la distribución binomial cuando el número
de pruebas sea muy grande y la probabilidad de éxito sea muy
pequeña .

El resultado se prueba, comprobando como la función de cuantía de una

distribución binomial con tiende a una función de cuantía de
una distribución de Poisson con siempre que este producto sea cantidad
constante (un valor finito).

6
Imaginemos las diferentes características que tiene el proceso mediante el cual
ciertas personas esperan ser atendidas en una cola de espera. Intentemos
asociar este proceso de cola de espera con las siguientes características.

El promedio de individuos que esperan ser atendidos en una hora pico, puede
ser estimado con base en los datos disponibles observados con anterioridad.

Se divide la hora pico en intervalos iguales a un segundo se afirma lo siguiente:

La probabilidad que un individuo llegue exactamente en un segundo es muy
pequeña y permanece constante para los demás intervalos de la hora pico. La
probabilidad que dos o más individuos lleguen en un intervalo igual a un
segundo es tan pequeña que se puede considerar igual a cero. El número de
individuos que llegan en un intervalo de un segundo, es independiente del
momento que éste se presente en la hora pico. El número de individuos que
llegan en un segundo es independiente del número de individuos que llegan en
cualquier otro segundo.

Estas características son base de la siguiente fórmula para determinar la

probabilidad de ocurrencia según la distribución de Poisson.

𝜆𝑥
𝑒 −𝜆 ∙
𝑃 (𝑥 ) =
𝑥!
Donde: 𝜆 = Se define como el número de presentaciones por intervalo de
tiempo, que para fines prácticos es la media aritmética de ocurrencia que
hemos medido con anterioridad.

7
X = la letra x (minúscula) define la variable discreta (es decir, número entero)
que representa el número de ocurrencias del evento en cuestión.

E= Número o constante e, igual a 2.718281828 que es la base de los logaritmos

neperianos.

CALCULAR PROBABILIDADES DE LA DISTRIBUCIÓN DE POISSON

Esta distribución es una de las más importantes distribuciones de variable

discreta. Sus principales aplicaciones hacen referencia a la modelización de
situaciones en las que nos interesa determinar el número de hechos de cierto
tipo que se pueden producir en un intervalo de tiempo o de espacio, bajo
presupuestos de aleatoriedad y ciertas circunstancias restrictivas. Otro de sus
usos frecuentes es la consideración límite de procesos dicotómicos reiterados
un gran número de veces si la probabilidad de obtener un éxito es muy
pequeña.

Propiedades de un proceso de Poisson

1. La probabilidad de observar exactamente un éxito en el segmento o tamaño

de muestra n es constante.

2. El evento debe considerarse un suceso raro.

3. El evento debe ser aleatorio e independiente de otros eventos.

La distribución de Poisson

Se dice que la variable aleatoria discreta X, cuyos valores posibles son: 0,

1,2,…etc., tienen distribución de Poisson con parámetro ⋋ y se escribe X P (⋋),
si su función de probabilidades es:

Donde:

P(X=x): es la probabilidad de ocurrencia cuando la variable discreta X toma un

valor finito x.

⋋: promedio de ocurrencias en un intervalo (tiempo, volumen, área, etc).

ℯ: tiene un valor aproximado de 2.71828183...

x: es el número de ocurrencias

8
Medidas de resumen

• Valor esperado (o media) E(X)= ⋋

• Varianza: V(X)= ⋋

• Desviación estándar: σᵪ= √⋋

EJEMPLOS

1. Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un día dado, b) 10
cheques sin fondos en cualquiera de dos días consecutivos?

Solución:

a) x = variable que nos define el número de cheques sin fondo que llegan al
banco en un día cualquiera = 0, 1, 2, 3, ....., etc, etc.

l = 6 cheques sin fondo por día

e = 2.718

b) x= variable que nos define el número de cheques sin fondo que llegan al
banco en dos días consecutivos = 0, 1, 2, 3, ......, etc., etc.

l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos días

consecutivos

R/

9
2. En la inspección de hojalata producida por un proceso electrolítico continuo,
se identifican 0.2 imperfecciones en promedio por minuto. Determine las
probabilidades de identificar a) una imperfección en 3 minutos, b) al menos dos
imperfecciones en 5 minutos, c) cuando más una imperfección en 15 minutos.

Solución:

a) x = variable que nos define el número de imperfecciones en la hojalata por

cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.

l = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la hojalata

b) x = variable que nos define el número de imperfecciones en la hojalata por

cada 5 minutos = 0, 1, 2, 3, ...., etc., etc.

l = 0.2 x 5 =1 imperfección en promedio por cada 5 minutos en la hojalata

= -1(0.367918+0.367918) = 0.26416

c) x = variable que nos define el número de imperfecciones en la hojalata por

cada 15 minutos = 0, 1, 2, 3, ....., etc., etc.

l = 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la hojalata

R/ =0.0498026 + 0.149408 = 0.1992106

10
CONCLUSIONES

11
RECOMENDACIONES

 Es recomendable usar la distribución de Poisson para problemas en

donde el problema se presente en más de un evento.

 Recordar que esta distribución de probabilidad es aleatoria de tipo

discreto específicamente binomial Poisson Hipergeométrica.

 Es importante saber como se comportan los sistemas con el fin de

anticiparnos a posibles problemas.

 La cantidad de eventos por una unidad de exposición no está limitada a

un valor discreto.

 Los eventos son independientes entre sí (el número no afecta al número

de eventos en otro intervalo de exposición).

 La cantidad promedio de eventos se mantiene constante de intervalo a

Intervalo.

12
Bibliografía

https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/poisson.htm

http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capitulo3/B0C3m1t6.htm

https://www.taringa.net/posts/ciencia-educacion/17059527/La-Distribucion-de-Poisson.html

https://matematica.laguia2000.com/general/distribucion-de-poisson

https://es.slideshare.net/roxanaparedes27/distribucion-de-poisson

https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/poisson.htm

13
GLOSARIO

1. Amplitud: Cualidad de amplio, propiedad de ocupar una parte de

espacio.
2. Convergencia: Unión en un punto de varias líneas o trayectorias.
3. Desviación estándar: Es una medida de dispersión para variables de
razón (variables cuantitativas o cantidades racionales) y de intervalo.
4. Distribución binomial: Es una distribución de probabilidad discreta que
cuenta el número de éxitos en una secuencia de n ensayos de Bernoulli
independientes entre sí, con una probabilidad fija p de ocurrencia del
éxito entre los ensayos.
5. Distribución de Poisson: Es una distribución de probabilidad discreta
que expresa, a partir de una frecuencia de ocurrencia media, la
probabilidad de que ocurra un determinado número de eventos durante
cierto período de tiempo.
6. Distribución exponencial: Es una distribución de probabilidad continua
con un parámetro 𝜆 > 0.
7. Distribución normal: Una de las distribuciones de probabilidad de
variable continua que con más frecuencia aparece aproximada en
fenómenos reales.
8. Evento: Suceso imprevisto.
9. Intervalo: Porción de tiempo o de espacio que hay entre dos hechos o
dos cosas, generalmente de la misma naturaleza.
10. Media: Promedio de un conjunto de números.
11. Parámetro: Elemento o dato importante el que examina un tema,
cuestión o asunto.
12. Probabilidad: Cualidad de probable o circunstancia de ser algo
probable.
13. Teorema de adición: Dado un conjunto de variables aleatorias normales
independientes de distintas medidas y distintas varianzas, la variable
suma de todas ellas se distribuirá según una distribución normal con
media, la suma de las medias, y con varianza, la suma de las varianzas.
14. Variable: Que varia o puede variar.
15. Varianza: Es una medida de dispersión definida como la esperanza del
cuadrado de la desviación de dicha variable respecto a su media.

14
ANEXOS

Anexo 1

Anexo 2

15
Anexo 3

16
Anexo 4

17
Anexo 5

18
Anexo 6

19