Distribución De Poisson

Presentado por:

Dahiana Palacio Murillo

Jhoselin Jordan Garces

Yurani Alvear Alvarez

Materia:

Estadística

Docente:

Isabel Cifuentes Valencia

Tecnología en radiología e imágenes diagnosticas

Fundación Universitaria Areandina

2025

1
 Tabla de contenido
Introducción........................................................................................................................................ 3
1. Origen e Historia de la distribución de Poisson ..............................................................................4
1.1. ¿Quién descubrió la distribución de Poisson?.............................................................................4
1.2. Contexto histórico y aplicaciones iniciales...................................................................................4
2. Concepto General ..........................................................................................................................5
2.1. ¿Qué es la distribución de Poisson?...........................................................................................5
2.2. Características clave ..................................................................................................................5
2.3. Comparación con otras distribuciones (Binomial, Normal)..........................................................5
3. Fundamento Matemático.................................................................................................................6
3.1. Fórmula de la distribucion poison................................................................................................ 6
3.2. Parámetros involucrados (λ, x).................................................................................................... 6
4. Visualización....................................................................................................................................7
[Link]áfica de la distribución Poisson.................................................................................................7
[Link]ón de la gráfica ...........................................................................................................7
5. Características Principales .............................................................................................................8
5.1. Propiedades matemáticas........................................................................................................... 8
5.2. Comportamiento de la distribución Poisson.................................................................................8
6. Condiciones de Aplicación .............................................................................................................9
6.1. Supuestos necesarios .................................................................................................................9
6.2. Aplicaciones en la Vida Real.......................................................................................................9
7. situaciones reales donde se aplica................................................................................................10
7.1. Ejemplos practicos.....................................................................................................................10
7.2. Problema aplicado en radiologia ...............................................................................................10
8.. Medicina, telecomunicaciones, tráfico, etc...................................................................................12
9. Ejercicios y Preguntas de Probabilidad.........................................................................................12
9.1. Problemas resueltos...................................................................................................................12
9.2. Preguntas para practicar............................................................................................................12
[Link]................................................................................................................................13
[Link]ía....................................................................................................................................14

2
 Introducción

La distribución de Poisson es una herramienta estadística fundamental que se utiliza para modelar
y analizar eventos aleatorios que ocurren en un intervalo de tiempo o espacio fijo. Desarrollada por
el matemático francés Siméon-Denis Poisson en el siglo XIX. En este tema se hablará y se
explicara sobre cómo se obtiene esta distribución Poisson, se dará a conocer su formula general,
propiedades, parámetros, en qué situaciones se aplica en la vida real incluyendo también en el
área de radiología, cuáles son sus características y cómo interpretar sus resultados para
comprender mejor los fenómenos aleatorios que se presentan en la vida real.

3
 1. Origen e Historia de la distribución de Poisson:

1.1 ¿Quien descubrió la distribución de poisson?

La distribución de Poisson fue desarrollada por el matemático francés Siméon Denis Poisson en el
año 1837, como parte de sus investigaciones en teoría de probabilidades. Poisson era un pensador
prolífico, con contribuciones significativas en física matemática, análisis y estadística. Su interés
por los fenómenos aleatorios lo llevó a estudiar cómo ocurren ciertos eventos discretos en el
tiempo o el espacio, especialmente aquellos que suceden con baja frecuencia pero de forma
constante. En este contexto, formuló una distribución que permitía calcular la probabilidad de que
un número determinado de eventos ocurriera en un intervalo fijo, siempre que dichos eventos
fueran independientes entre sí y ocurrieran con una tasa promedio constante.

La distribución que lleva su nombre no fue inicialmente reconocida como una herramienta
estadística práctica, sino como una derivación teórica dentro de la probabilidad. Sin embargo, con
el paso del tiempo, su utilidad se volvió evidente en múltiples campos, desde la física hasta la
demografía, consolidando su lugar como una de las distribuciones fundamentales en estadística.

1.2 Contexto histórico y aplicaciones iniciales:

Durante el siglo XIX, con el auge científico e industrial en Europa, surgió la necesidad de modelos
matemáticos que describieran fenómenos reales no deterministas. En este contexto, Siméon Denis
Poisson desarrolló la distribución de Poisson, una extensión de la binomial para casos con muchos
ensayos y baja probabilidad de éxito, útil para modelar eventos raros. Más tarde, investigadores
como Ladislaus Bortkiewicz confirmaron su aplicación práctica en situaciones reales, demostrando
su precisión para describir sucesos aleatorios como accidentes o errores. En las aplicaciones
iniciales de la distribución de Poisson se aplicó originalmente para modelar eventos discretos, raros
y aleatorios que ocurren en intervalos de tiempo o espacio. Sus primeras aplicaciones demostraron
su utilidad en diversos campos:

• Errores tipográficos: Estimación del número de errores por página en libros impresos.
• Accidentes militares: Análisis de muertes por golpes de caballo en el ejército prusiano (caso de
Bortkiewicz).
• Llamadas telefónicas: Modelado de la frecuencia de llamadas recibidas en centrales telefónicas.
• Física nuclear: Conteo de partículas emitidas por fuentes radiactivas en intervalos de tiempo.
• Eventos naturales o sociales: Como nacimientos, llegadas de clientes o fallos técnicos, siempre
que ocurran con baja frecuencia y de forma independiente.

4
 2. Concepto General

2.1 ¿Qué es la distribución de Poisson?

La Distribución de Poisson es una distribución de probabilidad discreta que se utiliza para modelar
la probabilidad de que ocurra un número determinado de eventos en un intervalo fijo de tiempo,
espacio o volumen, sabiendo la frecuencia media (promedio) con la que ocurren estos eventos.
Por ejemplo, puede aplicarse para saber cuántas llamadas recibe una línea telefónica en una hora,
cuántos errores aparecen en una hoja impresa o cuántos accidentes pueden ocurrir en un cruce
durante un día.

2.2 Características clave:

Eventos independientes: La ocurrencia de un evento no afecta la probabilidad de que ocurra otro.

Tasa promedio (λ): La tasa promedio de eventos en un intervalo se conoce y se representa con el
símbolo lambda (λ). Intervalo fijo: Se calcula la probabilidad dentro de un período de tiempo o
espacio definido (por ejemplo, un minuto, 100 páginas). Resultados discretos: Se centra en el
conteo de eventos, que son números enteros no negativos (0, 1, 2, etc.).

2.3 Comparación con otras distribuciones (Binomial, Normal):

La principal diferencia es que la distribución binomial es discreta (para conteos) y la normal es

continua (para mediciones). La binomial se centra en el número de éxitos en un número fijo de
ensayos, mientras que la normal describe datos que tienden a agruparse alrededor de una media
en forma de campana. Otra diferencia clave es que la normal siempre es simétrica, mientras que la
binomial puede ser simétrica o estar sesgada.

Por su parte, la distribución de Poisson también es discreta y se utiliza para modelar la ocurrencia
de eventos raros en un intervalo de tiempo, espacio o área determinado, cuando estos suceden de
forma independiente y con una tasa promedio constante. A diferencia de la binomial, la Poisson no
requiere un número fijo de ensayos, y cuando su media (λ) es grande, tiende a aproximarse a la
distribución normal.

5
 3. Fundamento Matemático

3.1 Fórmula asociada:

P(X=x): La probabilidad de que ocurran exactamente 𝑥 eventos.

(lambda): El valor esperado o media del número de eventos en un intervalo.

𝑒: La base de los logaritmos naturales, aproximadamente 2.71828

𝑥: El número de ocurrencias que deseas calcular (un número entero no negativo: 0,1,2,...)

𝑥!: El factorial de x (x multiplicado por todos los enteros positivos menores que él:

x! = xx(x - 1) X..x2 -1).En una distribución de Poisson, la probabilidad de que ocurran x eventos es
igual al número e elevado a -λ multiplicado por λ elevada a x y dividido por el factorial de x.

3.2 Parámetros involucrados (λ, x):

Estadística y Probabilidad Distribución de Poisson y Exponencial: En estos contextos, (‫ )ג‬representa

la tasa de ocurrencia promedio esperada de eventos en un intervalo de tiempo o espacio (por
ejemplo, el número promedio de llamadas por hora). La variable \(x\) suele ser la variable
aleatoria que mide el tiempo entre eventos (en la distribución exponencial) o el número de
eventos observados (en la distribución de Poisson).Estimación de parámetros: \(x\) puede ser un
valor observado o un estadístico (como la media muestral \(\={x}\)), utilizado para estimar el valor
del parámetro poblacional (‫)ג‬

6
 4. Visualización

4.1. Gráfica de la distribución Poisson:

4.2. Interpretación de la gráfica:

La interpretación de una gráfica de Poisson depende de su tipo, pero generalmente se utiliza para
visualizar datos de conteo. Para un gráfico de capacidad de Poisson, se compara el número de
defectos observados con la línea de referencia de la distribución de Poisson; si los puntos se
dispersan aleatoria mente alrededor de la línea, el proceso se ajusta a la distribución de Poisson.
Si es una gráfica de regresión de Poisson, la interpretación se enfoca en los coeficientes para
entender cómo las variables predictoras afectan la tasa de eventos, donde un coeficiente mayor a
uno indica un aumento en la tasa.

7
 5. Características Principales

5.1. Propiedades matemáticas:

Las propiedades matemáticas clave de la distribución de Poisson son que la media y la varianza
son iguales a su parámetro, denotado por (‫)ג‬. Además, los eventos que modela son
independientes, ocurren a una tasa promedio constante y no pueden ocurrir dos eventos
simultáneamente.

 Media y varianza: Para una distribución de Poisson, la media (valor esperado) y la varianza
son ambas iguales a (‫)ג‬.

 Desviación estándar: La desviación estándar es la raíz cuadrada de la varianza, por lo que es

√‫ג‬.

 Independencia de eventos: La ocurrencia de un evento en un intervalo de tiempo o espacio es

independiente de los eventos en otros intervalos.

 Tasa constante: La tasa promedio de ocurrencia de los eventos (‫ )ג‬es constante a lo largo del
intervalo de tiempo o espacio.

 Eventos no simultáneos: No pueden ocurrir dos o más eventos exactamente en el mismo

instante. La probabilidad de más de un evento en un período de tiempo muy pequeño es
despreciable.

 Distribución discreta: Es una distribución de probabilidad discreta que cuenta el número de

eventos, que siempre serán números enteros.

 Aproximación normal: A medida que (‫ )ג‬aumenta, la distribución de Poisson se aproxima cada

vez más a una distribución normal.

 Aplicabilidad: Se utiliza para modelar el número de veces que ocurre un evento en un intervalo
fijo de tiempo o espacio, especialmente cuando los eventos son raros e independientes.

5.2. Comportamiento de la distribución Poisson:

• Discreta: solo puede tomar valores enteros no negativos (ꓫ= 0, 1, 2, 3, ), ya que cuenta sucesos.

• Se aplica a conteos: La variable de interés (X) es el número de ocurrencias del evento.

• Intervalo fijo: La observación se realiza dentro de un período o espacio bien definido (ej. una hora,
un kilómetro, un metro cuadrado).

• Eventos independientes: La ocurrencia de un evento no afecta la probabilidad de otro.

• Tasa constante: La tasa promedio de ocurrencia (𝜆) no cambia durante el intervalo

•Utilidad: Es útil para modelar eventos raros o poco frecuentes, como el número de accidentes,
defectos de fabricación o quejas de clientes por período de tiempo.

8
 6. Condiciones de Aplicación

6.1 Supuestos necesarios para la distribucion de poisson:

Los supuestos necesarios para la distribución de Poisson son que los eventos ocurren de forma
aleatoria e independiente, que la tasa promedio de ocurrencia es constante, y que dos eventos no
pueden ocurrir exactamente en el mismo instante. Estos supuestos garantizan que el modelo de
Poisson sea una representación adecuada para contar la frecuencia de eventos en un intervalo de
tiempo o espacio determinado.

 Independencia: La ocurrencia de un evento no afecta la probabilidad de que ocurra otro

evento. Por ejemplo, la llegada de un cliente a un restaurante no influye en la llegada del
siguiente.

 Tasa constante: La tasa promedio de eventos (lambda, ‫ )ג‬debe ser constante a lo largo del
intervalo de observación. No debe haber tendencias al alza o a la baja.

 No simultaneidad: Dos eventos no pueden ocurrir exactamente al mismo tiempo. Esto se

aplica tanto a la interpretación teórica como práctica del modelo.

 Eventos contables: Los eventos que se modelan deben ser contables. Por ejemplo, se puede
contar el número de clientes que llegan a un restaurante en un día.

6.2. Aplicaciones de la vida real:

Número de llegadas a un restaurante

Los restaurantes emplean la distribución de Poisson para estimar aproximadamente la cantidad de

clientes que se espera que visiten el restaurante en un día en particular. Digamos que cada día 100
personas visitan un restaurante en particular, entonces la distribución de Poisson se puede usar
para estimar que al día siguiente, hay posibilidades de que más o menos de 100 personas visiten
ese restaurante en particular. Esto ayuda al propietario a tener una idea de la cantidad de personas
que visitan su restaurante y qué cantidad de materia prima se necesitaría para su servicio.

9
7 situación en la vida real

7.1 Ejemplos practicos

La variable aleatoria X : Número de clientes que llegan en la próxima hora.

Parámetro: 3 (clientes por hora).

Valor a calcular : 5 (clientes)

7.2 Problema aplicado en radiología

K: es el numero de ocurrencias de cuantas veces se repite

10
Medicina, telecomunicaciones, tráfico, etc

8 Medicina, telecomunicaciones, tráfico, etc

La distribución de Poisson es un modelo de probabilidad discreta que se usa para predecir la

probabilidad de que ocurran ciertos eventos aleatorios en un intervalo fijo (tiempo, espacio, etc.).
Se aplica a campos como: medicina (número de pacientes en una sala de espera),
telecomunicaciones (llamadas a un centro de atención) y tráfico (accidentes en una intersección o
llegadas a un peaje).

Aplicaciones en diferentes áreas:

Medicina:

Número de pacientes que llegan a una clínica u hospital en un período de tiempo.

Frecuencia de enfermedades en una población.

Telecomunicaciones:

Número de llamadas telefónicas recibidas por un centro de atención en un lapso de tiempo.

Cantidad de correos electrónicos recibidos en una hora.

11
9 Ejercicios y Preguntas de Probabilidad

9.1 Problemas resueltos

Ejercicio 1

Un hospital recibe en promedio 2 llamadas de emergencia por hora. ¿Cuál es la probabilidad de

que reciban exactamente 3 llamadas en una hora?

Ejercicio 2

Un taller de reparación de automóviles recibe en promedio 1 coche por día. ¿Cuál es la

probabilidad de que reciban exactamente 2 coches en un día?

9.2 preguntas para practicar

1. Un restaurante recibe en promedio 3 pedidos de comida a domicilio por hora. ¿Cuál es la

probabilidad de que reciban exactamente 2 pedidos en una hora?

2. Un aeropuerto recibe en promedio 1 avión por cada 10 minutos. ¿Cuál es la probabilidad de que
reciban exactamente 3 aviones en 30 minutos?

3. Un sistema de seguridad recibe en promedio 2 alarmas por semana. ¿Cuál es la probabilidad de

que reciban exactamente 1 alarma en una semana?

4. Un fabricante de productos electrónicos produce en promedio 1 defecto por cada 1000

unidades. ¿Cuál es la probabilidad de que en una muestra de 1000 unidades haya exactamente 2
defectos?

5. Un hospital recibe en promedio 5 llamadas de emergencia por hora. ¿Cuál es la probabilidad de

que reciban exactamente 4 llamadas en una hora?

12
10 conclusiones.

La distribución de Poisson es mucho más que una fórmula estadística: es una herramienta
poderosa que nos permite entender, anticipar y gestionar eventos aleatorios en el mundo real.
Desde la medicina hasta la ingeniería, desde la educación hasta la biología y la radiología, su
capacidad para modelar la frecuencia de sucesos discretos en intervalos definidos la convierte en
un pilar fundamental del análisis cuantitativo .

13
Bibliografía

 [Link]
4-distribucion-de-poisson
 [Link]
 [Link]
 [Link]
(Binomial%2C+Normal)&rlz=1C1UUXU_esCO1170CO1170&oq=Comparaci
%C3%B3n+con+otras+distribuciones+(Binomial%2C+Normal)&gs_lcrp
 [Link]
%C3%A1ticas+de+poisson&safe=active&sca_esv=4069128c2696b9f5&rlz=1C1UUXU_esCO
1170CO1170&ei=DC4NaYfABqiSwbkP3YLvsQQ&ved=0ahUKEwiH9oDf1d6QAxUoSTABHV3
BO0YQ4dUDCBE&uact=5&oq=Propiedades+matem
%C3%A1ticas+de+poisson&gs_lp=Egxnd3Mtd2l6LXNlcnAiI1Byb3BpZWRhZGVzIG1hdGVtw6
F0aWNhcyBkZSBwb2lzc29uMgUQIRigAUixX1C8B1iaUnADeACQAQSYAcMBoAG7I6oBBDAu
Mza4AQPIAQD4AQH4AQKYAhGgAoYPqAIKwgIKEAAYRxjWBBiwA8ICBRAAGO8FwgIIEAAYg
AQYogTCAhAQABgDGI8BGOoCGLQC2AEBwgIQEC4YAxiPARjqAhi0AtgBAcICBRAAGIAEwgIG
EAAYFhgemAMGiAYBkAYIugYECAEYCpIHBjMuMTMuMaAH1sQBsgcGMC4xMy4xuAfxDsIHC
DAuNS4xMC4yyAdE&sclient=gws-wiz-serp
 [Link]
q=Supuestos+necesario+de+poisson&safe=active&sca_esv=4069128c2696b9f5&rlz=1C1U
UXU_esCO1170CO1170&ei=Zi8NaZ3IGMeKwbkP66WfSA&ved=0ahUKEwidk5GE196QAxVH
RTABHevSBwkQ4dUDCBE&uact=5&oq=Supuestos+necesario+de+poisson&gs_lp=Egxnd3
Mtd2l6LXNlcnAiHlN1cHVlc3RvcyBuZWNlc2FyaW8gZGUgcG9pc3NvbjIIEAAYgAQYogQyBRA
AGO8FMgUQABjvBTIIEAAYiQUYogQyCBAAGIAEGKIESO02UIEbWIsrcAJ4AZABAJgBzwGgAY
wYqgEGMC4yMi4yuAEDyAEA-AEB-
AECmAIFoALDBMICChAAGEcY1gQYsAPCAgYQABgHGB6YAwCIBgGQBgiSBwUyLjEuMqAHhI
wBsgcFMC4xLjK4B7oEwgcHMC4xLjMuMcgHGQ&sclient=gws-wiz-serp
 [Link]
q=Problemas+resueltos+Poissonde+poisson&safe=active&sca_esv=4069128c2696b9f5&rlz
=1C1UUXU_esCO1170CO1170&biw=1920&bih=911&ei=czsNaY3HMdCTwbkPveSJ6QM&ve
d=0ahUKEwjNzK_D4t6QAxXQSTABHT1yIj0Q4dUDCBE&uact=5&oq=Problemas+resueltos+
Poissonde+poisson&gs_lp=Egxnd3Mtd2l6LXNlcnAiJVByb2JsZW1hcyByZXN1ZWx0b3MgUG
9pc3

14