Ñ c Colegio Merryland

Distribución de Poisson

Nombre: Amaro Muñoz

Fecha:07/08/2023 Curso: 4°M
 Resumen
Se da a conocer la distribución de Poisson a profundidad en un marco teórico
detallado y se aplica la fórmula en un marco metodológico de forma eficiente
 Índice

Resumen...............................................................................................................................................
Índice....................................................................................................................................................
Objetivos...............................................................................................................................................
Introducción...........................................................................................................................................
Marco Teórico.......................................................................................................................................
1.- ¿Quién inventó esta distribución?..............................................................................................
2.-¿Quién fue Simeón-Denis Poisson?...........................................................................................
3.- ¿Qué es la Distribución de Poisson?.........................................................................................
4.- ¿En que se aplica en la vida real?.............................................................................................
5.- ¿Cómo saber si es una distribución de Poisson?......................................................................
6.- ¿Cómo se expresa la distribución?............................................................................................
7.- ¿Cuál es su fórmula?.................................................................................................................
8.- Representación en gráficos.......................................................................................................
9.-¿Qué es tasa de ocurrencia?......................................................................................................
10.- Diferencias entre la distribución de Poisson y la distribución binomial....................................
Marco metodológico.............................................................................................................................
Problema 1......................................................................................................................................
Problema 2......................................................................................................................................
Conclusiones........................................................................................................................................
Bibliografía...........................................................................................................................................
 Objetivos

Objetivo general: Conocer la distribución de Poisson

Objetivos en específico: Aplicar formula de distribución de Poisson
Identificar para que se ocupa la distribución de Poisson en
la vida cotidiana
 Introducción

La distribución de Poisson, se define como la probabilidad de que ocurra un

determinado periodo de eventos en un intervalo de tiempo fijo, en este se
profundizará temas como su historia, fórmulas, propiedades y expresión en los
tipos de gráficos dependiendo de su μ (mu), se dará a conocer problemas de
aplicación identificando si se utiliza dicha distribución y se mostrará el
procedimiento para resolver estos problemas de manera eficiente
 Marco Teórico

1.- ¿Quién inventó esta distribución?

El matemático y filósofo francés del siglo XVII Simeón-Denis Poisson en su
proyecto para modelar la frecuencia de eventos durante un rango de tiempo
determinado. Esta distribución la hizo pública en el año 1838 en su trabajo
“Investigación sobre la probabilidad de los juicios en materias criminales y civiles”.

2.- ¿Quién fue Simeón-Denis Poisson?

(21/06/1781 - 25/04/1840)
Conocido por sus contribuciones teóricas a la electricidad y al magnetismo,
también por sus teorías de la geometría diferencial y la de probabilidades.
● Obras: Distribución de Poisson; Regresión de Poisson; Ecuación de
Poisson; Proceso de Poisson; Coeficiente de Poisson...
● Campos: Análisis matemático, teoría de la probabilidad, matemáticas y
mecánica
● Padres: Siméon Poisson y Aimée Marie Poisson
● Cónyuges: Anne Poisson
● Hijos: Simeon Jean Charles, Marie-Alexandrine, Anne-Denise-Joséphine-
Marie

3.- ¿Qué es la Distribución de Poisson?

La distribución de Poisson es una distribución de probabilidad discreta que
modeliza la frecuencia de eventos determinados durante un intervalo de tiempo
fijado a partir de la frecuencia media de aparición de dichos eventos.
En otras palabras, está relacionado con un cálculo en el que intentamos prever la
aparición de valores extraños en un periodo de tiempo definido

4.- ¿En que se aplica en la vida real?

Se utiliza para hacer cálculos de probabilidades donde se requiere contar el
número de veces que se produce un suceso aleatorio durante un periodo
determinado de tiempo (o también de distancia, área u otro parámetro). Es
especialmente útil para calcular probabilidades muy pequeñas o sucesos que
tienen pocas posibilidades de producirse.
Ejemplos en donde se aplica esta distribución:
 ● Contador de Geiger: Es un instrumento para medir la radiactividad de un
objeto o zona. Se utiliza la distribución de Poisson para calcular el
comportamiento estadístico de la radiación y así poder establecer su nivel.
● Operaciones bursátiles: En el mundo de los mercados y la bolsa se utiliza la
distribución de Poisson para calcular el riesgo de las operaciones en los
tiempos de espera entre transacciones financieras.
● Contador de personas: Los contadores de personas que habitualmente se
utilizan en los comercios para saber el número de personas que entran en
su establecimiento durante un periodo de tiempo (número de clientes en la
última hora, por ejemplo).
También se puede aplicar en otras situaciones como hallar el número de
bacterias que hay en un volumen determinado de agua, el número de
peticiones de servicio diarias de un servidor web, establecer el riesgo de
crédito en una operación de financiación, etc. las aplicaciones de esta
distribución se usan en todas las áreas de la vida, siendo especialmente útiles
en el sector empresarial.

5.- ¿Cómo saber si es una distribución de Poisson?

● Los datos son conteos de eventos (enteros no negativos, sin límite

superior).

● Todos los eventos son independientes.

● La tasa promedio no cambia durante el período de interés.

6.- ¿Cómo se expresa la distribución?

X ρ(μ)

A diferencia de la distribución normal, la distribución de Poisson solo depende de

un parámetro, mu ( μ).
Mu informa del número esperado de eventos que ocurrirán en un intervalo de
tiempo fijado ( μ). Cuando se habla de algo “esperado” tenemos que redirigirlo a
pensar en la media. Por tanto, mu es la media de la frecuencia de los eventos.
Tanto la media como la varianza de esta distribución son mu ( μ), estrictamente
positiva.
No confundir la expresión con la fórmula, que es la que viene a continuación.

7.- ¿Cuál es su fórmula?

−μ x
( ) e μ
f (x)=P X=x =
x!
Explicación de la fórmula:
➢ f(x)=P(X=x) : Probabilidad de x ocurrencias en un intervalo
➢ μ : Media o valor esperado de X (nuestra variable aleatoria discreta)
➢ e : Base de los logaritmos naturales. Su valor es de 2,71828…
Esta función se entiende como la probabilidad de que la variable aleatoria X tome
un valor concreto x. Es la exponencial de la media negativa multiplicada por la
media elevada a la observación y todo dividido por la factorial de la observación
Como está indicado, para conocer la probabilidad de cada observación, tendremos
que sustituir en la función todas las observaciones. En otras palabras, x es un
vector de dimensión n que contiene todas las observaciones de la variable
aleatoria X.
8.- Representación en gráficos
Dada una distribución de Poisson con media 2, la distribución de probabilidad de
densidad es la siguiente:

También existen otros tipos de gráficos, en este caso es un gráfico de barras con
valores lambda 3 y 10.
Los valores lambda (λ) es igual a la media y la varianza, que es lo que conocemos
como μ (mu)

Lambda = 3 Lambda= 10
El otro tipo de gráfico es el de puntos, que es él se mostrará a continuación:

No todas las distribuciones de probabilidad de densidad de Poisson tendrán el

mismo aspecto, aunque mantengamos igual la muestra. Si cambiamos la media,
es decir, el parámetro del que depende la función, también cambiará la función.

9.- ¿Qué es tasa de ocurrencia?

Es igual a la media (λ) dividida entre la dimensión del espacio de observación. Es
útil para comparar conteos de Poisson recolectados en diferentes espacios de
observación. Por ejemplo, la central telefónica A recibe 50 llamadas telefónicas en
5 horas y la central telefónica B recibe 80 llamadas en 10 horas. No se puede
comparar directamente estos valores, porque sus espacios de observación son
diferentes. Se deberá calcular la tasa de ocurrencia para comparar estos conteos.
La tasa de la central telefónica A es (50 llamadas / 5 horas) = 10 llamadas/hora.
La tasa de la central telefónica B es (80 llamadas / 10 horas) = 8 llamadas/hora.

10.- Diferencias entre la distribución de Poisson y la distribución binomial

La distribución de Poisson es similar a la distribución binomial porque ambas
modelan conteos de eventos. Sin embargo, dentro de su espacio de observación
finito, la distribución de Poisson no establece un límite superior a este conteo: una
central telefónica podría recibir un número ilimitado de llamadas en un día y no
violar los requisitos de la distribución de Poisson. En cambio, la distribución
binomial establece un límite superior en el conteo: el número de eventos que usted
observa no puede exceder el número de ensayos que realiza.
 Marco metodológico
Se presentará dos problemas en donde se aplicará la distribución de Poisson y se
mostrará el procedimiento para saber resolverlo.

Problema 1
La veterinaria de Jorge recibe un premio de 4 pacientes al día. Sabiendo que el
número de pacientes que llegan en un día sigue una distribución de Poisson
calcular:
a) La probabilidad de que lleguen 3 pacientes en un día.

Antes de que se comience a resolver el problema lo primero que se debe hacer es

saber si se trata de una distribución de Poisson, en este caso, el enunciado nos
dice. Pero en el caso de que no, se deberá guiar con el marco teórico, en donde
dice todas sus propiedades, una vez tengamos esas dudas despejadas ya se
podrá trabajar con esta distribución
Nuestra variable aleatoria de interés que se denota con la x mayúscula que va
hacer el número de veces que ocurre un evento durante un intervalo definido, en
el caso de este enunciado nuestra variable va hacer:
X = N° de pacientes que llegan a la veterinaria de Jorge en un día.
Se expresa esta distribución de la siguiente forma:

X~() Significa que nuestra variable aleatoria X tiene una distribución de Poisson con parámetro
μ (mu)
Y como se sabe que μ (mu) es la media o valor esperado que en este caso es 4,
ya que la veterinaria recibe 4 pacientes al día
μ=4
Listos los pasos anteriores, llega el momento de calcular la probabilidad de que
lleguen 3 pacientes en un día, que se denota P(X=3) y para calcular necesitamos
la fórmula de la distribución de Poisson que es la siguiente:
−μ x
( ) e μ
f (x)=P X=x =
x!
Se tendrá la fórmula, se reemplaza datos y se resuelve
−4 3
e 4
f (3)=P ( X=3 )=
3!
 0,01832⋅ 64
f (3)=P ( X=3 )=
3⋅ 2⋅1
f (3)=P ( X=3 )=0,1954
R; La probabilidad de que lleguen 3 pacientes en un día es de 0,1954 o 19,54 %.
b) La probabilidad de que lleguen 5 pacientes en un día.
Se calcula la probabilidad de que lleguen 5 pacientes en un día, es decir, f(5).
Además, el enunciado nos indica que el enunciado que llegan en promedio 4
pacientes por día, es decir, μ = 4.
−μ x
e μ
f (x)=P ( X=x )=
x!
Al igual que el ejercicio anterior se reemplaza datos y se resuelve
−4 5
e 4
( )
f (5)=P X=5 =
5!
0,01832⋅1024
f (5)=P ( X=5 )=
5 ⋅4 ⋅3 ⋅2⋅1
f (5)=P ( X=5 )=0,1563
R: La probabilidad de que lleguen 5 pacientes en un día es de 0,1563 o 15,63 %
Problema 2
En un hospital de una importante ciudad se está estudiando los nacimientos de
bebes varones. Se sabe que en una semana nacen una media de 7 varones.
Calcular:
a) Probabilidad de que nazcan 3 varones en una semana
Al igual que el anterior problema se deberá confirmar si se trabaja con una
distribución de Poisson, en este caso se confirma porque si se analiza el
enunciado, tiene todas las propiedades de la distribución
Nuestra variable aleatoria discreta seria nacimientos de bebés varones, que se
denota de la siguiente forma:
X = N° de nacimientos de bebés varones en una semana
Para saber el μ (mu), solamente se deberá prestar atención al enunciado, que dice
“en una semana nacen una media de 7 varones”, al decir “media” lo asociamos
con el μ (mu), ya que si se recuerda bien el μ (mu) es la media o valor esperado
de nuestra variable aleatoria discreta, entonces:
μ=7
Se tienen estos datos y queda resolver lo más importante que es la probabilidad
de que nazcan 3 bebés varones en una semana, que se denota P(X=3) y para
saber el resultado de esa probabilidad, se necesitará la fórmula de la distribución:
−μ x
e μ
f (x)=P ( X=x )=
x!
Una vez se tenga la fórmula se reemplaza los datos y se resuelve
−7 3
e 7
f (3)=P ( X=3 )=
3!
0,00091... ⋅343
f (5)=P ( X=5 )=
3 ⋅2 ⋅1
f (5)=P ( X=5 )=0,052
R=La probabilidad de que nazcan 3 varones en una semana es de 0,052 o 5,2 %.
b) Probabilidad de que nazcan menos de 3 varones a la semana
En esta situación es distinta ya que pregunta la probabilidad de que nazcan menos
de 3 varones a la semana, se denota de la siguiente manera P(X<3), esto quiere
decir que se deberá sumar P(X=0), P(X=1) y P(X=2), esto porque está
preguntando la probabilidad de menos de 3, es por eso que se suman los menores
de 3 que en este caso sería el 0, 1 y 2
Se calculará la probabilidad de que nazcan 0, 1 y 2 bebes a la semana
−7 0
e 7
f (0)=P ( X =0 )=
0!
0,00091. ..⋅1
f (0)=P ( X =0 )=
1
f (0)=P ( X =0 )=0,001

−7 1
( ) e 7
f (1)=P X=1 =
1!
0,00091. .. ⋅7
f (1)=P ( X=1 ) =
1
f (1)=P ( X=1 ) =0,006

−7 2
( ) e 7
f (2)=P X=2 =
2!
 0,00091. .. ⋅49
f (2)=P ( X=2 )=
2
f (2)=P ( X=2 )=0,022
Se sumarán y el resultado será la probabilidad de que nazcan menos de 3 varones
en una semana
0,001+0,006+0,022 = 0,29
R=La probabilidad de que nazcan menos 3 varones en una semana es de 0,029 o
2,9%.

Conclusiones

Se logra conocer a fondo la distribución de Poisson para así identificar la utilidad

en la vida cotidiana y en qué área es más utilizada.
Se aplica de forma correcta la fórmula de la distribución en problemas cotidianos.
 Bibliografía

economipedia. (s.f.). Recuperado el 04 de agosto de 2023, de economipedia:

https://economipedia.com/definiciones/distribucion-de-poisson.html
Fisicaymates. (s.f.). Recuperado el 04 de agosto de 2023, de Fisicaymates:
https://fisicaymates.com/distribucion-de-poisson/
Matemovil. (s.f.). Recuperado el 4 de agosto de 2023, de Matemovil:
https://matemovil.com/distribucion-de-poisson/
SoftwareDELSOL. (s.f.). Recuperado el 04 de agosto de 2023, de
SoftwareDELSOL.
Soporte de Minitab 20. (s.f.). Recuperado el 04 de agosto de 2023, de Soporte de
Minitab 20:
https://support.minitab.com/es-mx/minitab/20/help-and-how-to/probability-
distributions-random-data-and-resampling-analyses/supporting-topics/
distributions/poisson-distribution/