POLITECNICO GRAN COLOMBIANO

FACULTAD DE INGENIERIA Y CIENCIAS BÁSICASDEPARTAMENTO DE

MATEMÁTICAS

DISTRIBUCIÓN DE POISSON

PATIÑO LOBO GANDHARI

ESTADISTICA II
2019 2.

BOADA ALBERTO.

BOGOTA D.C 7 15 DE OCTUBRE DE 2019

QUIEN DESARROLLO LA DISTRIBUCIÓN DE POISSON

La Distribución de Poisson se llama así en honor a Simeón Dennis Poisson (1781-

1840), francés que desarrolló esta distribución basándose en estudios efectuados
en la última parte de su vida. Sim Matemático, astrónomo y físico francés. Fue
alumno de Lagrange y Laplace en l’École Polytechnique, donde comenzó su
actividad docente como ayudante de Fourier.

Miembro de la Academia de Ciencias, presidente del Bureau des Longitudes y

profesor de mecánica de la Facultad de Ciencias, para Poisson “la vida es
trabajo”. De su esfuerzo continuado a lo largo de su vida surgieron más de
trescientas obras que recogen importantes aportaciones a la física (elasticidad,
magnetismo, calor, capilaridad, mecánica celeste,…) y a la matemática (teoría de
números, probabilidad, series de Fourier,…).

Su nombre está asociado a un buen número de conceptos relacionados con estas

ciencias: ecuación de Poisson, coeficiente de Poisson, ley de Poisson, paréntesis
de Poisson, distribución de Poisson, integral de Poisson.

QUE ES LA DISTRIBUCIÓN DE POISSON

se utiliza para modelar datos discretos como aproximación a la Binomial dada la

dificultad que existía de encontrar tablas Binomiales adecuadas cuando n es
grande y p pequeña. La distribución de probabilidad de Poisson proporciona
buenas aproximaciones.

La distribución de Poisson se emplea para describir varios procesos, Los ejemplos

citados tienen un elemento en común, pueden ser descritos por una variable
aleatoria discreta que asume valores enteros (0,1,2,3,4,5 y así sucesivamente).

La distribución de Poisson es una distribución de probabilidad discreta que se

aplica a las ocurrencias de algún suceso durante un intervalo determinado.
Nuestra variable aleatoria x representará el número de ocurrencias de un suceso
en un intervalo determinado, el cual podrá ser tiempo, distancia, área, volumen o
alguna otra unidad similar o derivada de éstas.

La probabilidad de nuestra variable aleatoria X viene dada por la siguiente

expresión:

donde:
 Nuestra variable aleatoria discreta puede tomar los
valores:
 donde es la media del número de sucesos en el intervalo que estemos
tomando, ya sea de tiempo, distancia, volumen, etc. Es importante entender
que este valor es una media en el sentido estrictamente estadístico de la
palabra y como tal se calculará mediante dicha expresión y no debe calcularse
nunca con una regla de proporcionalidad o regla de tres.
 Se debe cumplir la condición de normalización
 La desviación típica es
 Cuando realizamos un experimento contando sucesos y obtenemos un valor
x, su error vendrá determinado por la raíz de x.

REQUISITOS DE LA DISTRIBUCIÓN DE POISSON

La distribución de Poisson debe de cumplir los siguientes requisitos:

 La variable discreta es el número de ocurrencias de un suceso durante un

intervalo (esto es la propia definición que hemos dado anteriormente).
 Las ocurrencias deben ser aleatorias y no contener ningún vicio que favorezca
unas ocurrencias en favor de otras.
 Las ocurrencias deben estar uniformemente distribuidas dentro del intervalo
que se emplee.

Una Variable aleatoria X tiene distribución Poisson si toma probabilidades con.

e   x
f ( x)  x  0,1,...
x!
Con media y varianza:

  np
    np
Distribución de Poisson como una aproximación a la Distribución Binomial
La distribución de Poisson se usa en ocasiones para aproximar la distribución
binomial. Existe un consenso en poder realizar esta aproximación cuando se
satisfagan las siguientes condiciones:
En caso de que hagamos la aproximación porque se cumplan ambas condiciones
vamos a necesitar el valor de que lo calcularemos mediante la siguiente
expresión :

También suele usarse a menudo una aproximación de la distribución de Poisson a

una distribución Gaussiana, aunque esta última es una distribución de probabilidad
continua. Este último apunte lo trataremos en otro momento.

PROPIEDADES DE POISSON DE LA DISTRIBUCIÓN

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. La suma de dos variables aleatorias independientes con distribución de Poisson

resulta en una nueva variable aleatoria, también con distribución de Poisson, de
parámetro igual a la suma de parámetros:
X1 ~ P(λ = λ1) y X2 ~ P(λ = λ2)
y definimos Z = X1 + X2, entonces,
Z ~ P(λ = λ1 + λ2)

3. 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:

4. El valor de la media o esperanza y el de la varianza coinciden y son iguales al

parámetro λ: E[x]=Var[x]= λ.

5. La función de distribución es:

6. La función generatriz es:

7. La distribución de Poisson cumple la propiedad reproductiva, es decir, podemos

sumar dos distribuciones de Poisson de parámetro λ1 y 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
Parte de la importancia de esta distribución 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 de Poisson de parámetro 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 exponencial.

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 número de peces muertos encontrados por unidad de superficie en una

determinada área.
 El número de vehículos que pasan por un rádar fijo durante un intervalo de
tiempo concreto.
 El número de llamadas telefónicas recibidas en una central por minuto.
 El número de inventos llevados a cabo por una persona a lo largo de su
carrera.
Y así podríamos continuar de forma infinita….

MODELOS MATEMÁTICOS DE LA DISTRIBUCIÓN DE POISSON

 Esta distribución se puede hacer derivar de un proceso experimental de

observación en el que tengamos las siguientes características
 Se observa la realización de hechos de cierto tipo durante un cierto periodo
de tiempo o a lo largo de un espacio de observación
 Los hechos a observar tienen naturaleza aleatoria; pueden producirse o no
de una manera no determinística.
 La probabilidad de que se produzcan un número x de éxitos en un intervalo
de amplitud t no depende del origen del intervalo (Aunque, sí 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 O 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 l . Así :

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 que 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 de la variable será el conjunto de los número naturales, incluido el
cero:

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 "número de hechos que ocurren en un intervalo unitario de
tiempo o espacio "

Que sería : ir a programa de cálculo

 Cuya representación gráfica
para un modelo de media 11
sería la adjunta .
Obsérvense los valores
próximos en la media y su
forma parecida a la campana
de Gauss , en definitiva , a la
distribución normal

La función de distribución vendrá dada por :

Función Generatriz de Momentos

Su expresión será :

dado que tendremos

que

luego :

Para la obtención de la media y la varianza aplicaríamos la F.G.M.; derivándola

sucesivamente e igualando t a cero .
Así.

Una vez obtenida la media, obtendríamos la varianza en base a:

 haciendo t = 0

por lo que =

así se observa que media y varianza coinciden con el parámetro del modelo
siendo, 

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

Y, en particular:

A partir de estas dos desigualdades, es muy sencillo probar que la moda tiene que
verificar: De manera que la moda será la parte entera del
parámetro lo 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 l sea entero, en cuyo
caso las dos modas serán  -1 y 

Teorema de adición.
La distribución de Poisson verifica el teorema de adición para el parámetro .

La variable suma de dos o más variables independientes que tengan una

distribución de Poisson de distintos parámetros  (de distintas medias) se
distribuirá, también con una distribución de Poisson con parámetro l la suma de los
parámetros  (con media, la suma de las medias):

En efecto:

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

Poisson de distintos parámetros siendo además x e y independientes
Así e

Debemos probar que la variable Z= x+y seguirá una Poisson con parámetro igual
a la suma de los de ambas:

En base a las F.G.M para X

Para Y

De manera que la función generatriz de momentos de Z será el producto de

ambas ya que son

independientes:

Siendo

la F.G.M de una Poisson

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

En efecto : la función de cuantía de la binomial es

Y llamamos tendremos que:
 realizando que es la función de cuantía de una
distribución de Poisson

Estimación Bayesiana sobre muestras de Poisson.

Análogamente a como planteábamos el problema de necesitar estimar la

proporción de una característica ,en el caso de un modelo binomial , en alguna
situación práctica , podemos estar interesados en determinar el parámetro
desconocido de una distribución de Poisson. Por ejemplo, podríamos estar
interesados en determinar el número medio de clientes que acuden a una
ventanilla de una oficina pública.

El planteamiento de la estimación podría hacerse utilizando información

suministrada por una experiencia las observaciones de cuántos hechos se
producen en un intervalo experimental), conjuntamente con algún otro tipo de
información a priori. En este caso, estaríamos, como ya comentábamos en el caso
binomial ante un planteamiento bayesiano del problema.

La solución requerirá que dispongamos de una información inicial que puede

especificarse a través de una distribución a priori de probabilidad. De manera que
la función de cuantía de esta distribución a priori (o su f. de densidad si fuera
continua) nos asigne probabilidades a cada posible valor del parámetro 

Utilizando únicamente la información inicial la estimación sería la media de la

distribución a priori.

Pero realizando una experiencia podremos mejorar la información acerca de l Si

observamos la realización de hechos durante un intervalo experimental y se
producen x hechos, para cada posible valor de  podremos calcular su
verosimilitud definida como la probabilidad de que se dé ese resultado si el valor
de l es el considerado:

Obviamente esta probabilidad condicionada será la función de cuantía de una

distribución de Poisson con . para el valor de la variable x.
Finalmente podemos calcular las probabilidades de cada valor alternativo de ,
condicionada al resultado de la experiencia aplicando el teorema de Bayes:

Estas probabilidades finales (a posteriori) constituirán la función de cuantía de la

distribución a posteriori que nos dará cuenta de toda la información disponible
(tanto muestraL como no muestral).

EJEMPLO DE LA DISTRIBUCIÓN DE POISSON

Ejemplo 1: Supóngase que estamos investigando la seguridad de un crucero muy

peligroso. Los archivos de la policía indican una media de cinco accidentes por
mes en él. El número de accidentes está distribuido conforme a la distribución de
Poisson, y la división de seguridad en carreteras quiere calcular la probabilidad de
exactamente 0,1,2,3 y 4 accidentes en un mes determinado.

Aplicando la fórmula anterior:

P (0) = (5)0 (e-5) /0! = 0.00674

P (1) = (5)1 (e-5) /1! = 0.03370
P (2) = (5)2 (e-5) /2! = 0.08425
P (3) = (5)3 (e-5) /3! = 0.14042
P (4) = (5)4 (e-5) /4! = 0.17552

Para saber cuál es la probabilidad en 3 o menos, sumaremos las probabilidades

de 0,1,2,3 lo que será igual a:

P(0) = 0.00674
P(1) = 0.03370
P(2) = 0.08425
P(3) = 0.14042
P(3 o menos) = 0.26511

Dado que la probabilidad de que haya 3 o menos accidentes es de 0.26511

entonces la probabilidad de que ocurran más de tres debe ser = 1 –0.26511 =
0.73489.

La distribución de Poisson como una aproximación a la distribución binomial.

Algunas veces, si se desea evitar el tedioso trabajo de calcular las distribuciones
binomiales, se puede usar a cambio la de Poisson, pero debe cumplir con ciertas
condiciones como:

n=>20
p=<0.05

En los casos en que se satisfacen tales condiciones, podemos sustituir la media

de la distribución binomial en lugar de la media de la distribución de Poisson de
modo que la fórmula quedaría así:

P(x) = (np) X * e-np /x!

Ejemplo 2: Suponga que una compañía de seguros asegura las vidas de 5000
hombres de 42 años de edad. Si los estudios actuariales muestran que la
probabilidad de que un hombre muera en cierto año es 0.001, entonces la
probabilidad de que la empresa pague exactamente 4 indemnizaciones y= 4 en un
cierto año es:

5000!
P( y  4)  p(4)  (0.001) 4 (0.999) 4996
4!*4996!
El valor de esta expresión no aparece en tablas y su cálculo era difícil, no así con
Excel.
Aproximando con la distribución de Poisson, se toma la tasa media de sucesos =
np = (5000)*(0.001)= 5, teniendo:

4 e   5 4 e 5
P( y  4)    0.1745
4! 4!

Ejemplo 3 Una planta tiene 20 máquinas, si la probabilidad de que falla una en

cierto día es 0.05. Encuentre la probabilidad de que durante un día determinado
fallen dos máquinas.

np = 20 *0.05 = 1.0
12 e1
P( y  2)   0.184
2!

Si se calcula con la distribución Binomial se tiene:

20!
P( y  2)  p(2)  (0.05) 2 (0.95)18  0.188
2!*18!

La aproximación es mejor conforme se aproxima a np = 5

 BIBLIOGRAFIA

[Link]
[Link]
[Link]
[Link]
[Link]
[Link]
[Link]