Distribución de Poisson y su Aplicación en la Ingeniería de Software
Andrés Carrillo Cantillo
Introducción
En el campo de la probabilidad y la estadística, la distribución de Poisson ocupa un lugar
relevante por su capacidad para modelar fenómenos aleatorios que ocurren en intervalos
fijos de tiempo o espacio. Fue desarrollada por el matemático francés Siméon Denis
Poisson en el siglo XIX, y desde entonces ha sido ampliamente aplicada en áreas como
telecomunicaciones, medicina, biología, ingeniería industrial y, más recientemente, en el
ámbito de la ingeniería de software.
En este último campo, el análisis probabilístico de eventos como errores de software,
llegadas de usuarios a un sistema, caídas de servidores o interrupciones inesperadas
resulta indispensable. La distribución de Poisson ofrece un marco estadístico útil para
anticipar la frecuencia con que se presentan estos eventos raros pero significativos,
ayudando a mejorar la calidad del software, optimizar los recursos y reducir riesgos.
Este trabajo abordare las principales características, propiedades matemáticas,
importancia aplicada y resolución de ejercicios, finalizando con una reflexión sobre su
valor práctico en la ingeniería de software moderna.
Características de la Distribución de Poisson
La distribución de Poisson posee una serie de propiedades y características que la hacen
única y útil en contextos específicos. A continuación, se detallan las más destacadas:
1. Modelo de eventos raros: Se utiliza cuando se desea modelar la probabilidad de
ocurrencia de un número específico de eventos en un intervalo fijo, siendo estos
eventos relativamente infrecuentes.
2. Intervalo de observación definido: La probabilidad se evalúa sobre un espacio
constante de tiempo, distancia o área (por ejemplo: fallos por minuto, visitas por
segundo, errores por bloque de código).
3. Dependencia de un solo parámetro (λ): Esta distribución está completamente
definida por su parámetro 𝜆, que representa la tasa promedio de ocurrencia de
eventos. Por ejemplo, si en promedio ocurren 4 errores por hora, entonces 𝜆 = 4.
4. Eventos independientes entre sí: La ocurrencia de un evento no afecta ni
modifica la probabilidad de ocurrencia de otro evento en el mismo intervalo.
5. Distribución discreta: A diferencia de otras distribuciones como la normal, que
es continua, la de Poisson se utiliza para conteos enteros no negativos
(0, 1, 2, 3, . . . ).
6. Usualmente se aplica cuando 𝒏 → ∞ 𝒚 𝒑 → 𝟎: Esta distribución puede
derivarse como un caso límite de la binomial, cuando el número de intentos es
muy grande y la probabilidad de éxito en cada intento es muy pequeña.
Importancia de la Distribución de Poisson en Ingeniería de Software
En ingeniería de software, donde el comportamiento de sistemas computacionales puede
presentar una gran variabilidad debido a la interacción con múltiples usuarios y
componentes, la distribución de Poisson se convierte en una aliada clave para el
modelado de la incertidumbre.
Entre las aplicaciones más relevantes, se pueden mencionar:
• Modelado de fallos en software: Estimar cuántos errores podrían surgir durante
la ejecución de un programa en una determinada ventana de tiempo.
• Evaluación del rendimiento de sistemas distribuidos: Determinar cuántas
peticiones puede recibir un servidor en una fracción de tiempo, y con base en eso,
diseñar esquemas de balanceo de carga.
• Análisis de tráfico de red: Modelar la cantidad de paquetes que llegan a un
router o firewall por segundo, fundamental para diseñar infraestructuras robustas.
• Planificación de pruebas de software (Testing): Saber cuántos errores nuevos
se podrían detectar en una nueva iteración de pruebas permite planificar
adecuadamente los recursos.
• Predicción de interrupciones de servicio: Ayuda a estimar la frecuencia con que
podrían ocurrir fallos o interrupciones en servicios críticos.
Estas aplicaciones permiten establecer estrategias de mantenimiento preventivo, escalar
arquitecturas de software y garantizar niveles adecuados de disponibilidad del sistema,
todo lo cual es esencial en entornos donde la fiabilidad es crítica (como software
bancario, médico o de control industrial).
Propiedades Matemáticas
La distribución de Poisson se define matemáticamente mediante:
𝑒 −𝜆 ∗ 𝜆𝑘
- Función de probabilidad: 𝑃(𝑋 = 𝑘) = 𝑘!
Donde:
• X: variable aleatoria que representa el número de eventos.
• λ: tasa media de ocurrencia de eventos.
• k: número de eventos deseado (𝑘 = 0, 1, 2. . . ).
• e: constante matemática (≈ 2.71828).
- Esperanza matemática (media): 𝐸(𝑋) = 𝜆
- Varianza: 𝑉𝑎𝑟(𝑋) = 𝜆, Esto implica que, en una distribución de Poisson, la media y la
varianza son iguales, lo cual es una característica particular.
1
- Asimetría: 𝛾1 = , A menor λ, mayor es la asimetría positiva.
√𝜆
1
- Curtosis: 𝛾2 = , La distribución se hace más “aplanada” a medida que λ aumenta,
𝜆
acercándose a una forma de campana como la distribución normal.
Ejercicios Resueltos
Ejercicio 1: Tasa de errores por hora
Un sistema de gestión empresarial registra en promedio 2 errores por hora. ¿Cuál es la
probabilidad de que en una hora ocurran exactamente 3 errores?
𝜆 = 2, 𝑘 = 3
𝑒 −2 ∗ 23 𝑒 −2 ∗ 8
𝑃(𝑋 = 3) = = =
3! 6
8 ∗ 0.1353 1.0824
𝑃(𝑋 = 3) = ≈ ≈ 0.1804
6 6
Respuesta: Existe una probabilidad de 18.04% de que ocurran exactamente 3 errores en
una hora.
Ejercicio 2: Solicitudes a una API
Una API recibe en promedio 10 solicitudes por minuto. ¿Cuál es la probabilidad de que
reciba al menos una solicitud en un segundo?
10𝑠𝑜𝑙𝑖𝑐𝑖𝑡𝑢𝑑𝑒𝑠
𝜆 = = 0.1667
60𝑠𝑒𝑔𝑢𝑛𝑑𝑜𝑠
𝑃(𝑋 ≥ 1) = 1 − 𝑃(𝑋 = 0) =
𝑃(𝑋 = 0) = 𝒆−𝟎.𝟏𝟔𝟔𝟕 ≈ 0.8465
𝑃(𝑋 ≥ 1) = 1 − 0.8465 = 0.1535
Respuesta: Existe una probabilidad del 15.35% de que la API reciba al menos una
solicitud en un segundo.
Ejercicio 3: Detección de bugs en pruebas
Durante la fase de pruebas de un sistema, se detectan en promedio 5 bugs por día. ¿Cuál
es la probabilidad de encontrar menos de 4 bugs en dos días?
𝜆 = 10,
Buscamos: 𝑃(𝑋 < 4) = 𝑃(0) + 𝑃(1) + 𝑃(2) + 𝑃(3)
𝑒 −10 ∗100
Calculo: 𝑃(0) = = 𝑒 −10 = 0.000045
0!
10𝑒 −10
𝑃(1) = = 0.000045
1
100𝑒 −10
𝑃(2) = = 0.00227
2
1000𝑒 −10
𝑃(3) = = 0.00757
6
𝑃(𝑋 < 4) = 0.000045 + 0.00045 + 0.00227 + 0.00757 = 0.0103
Respuesta: Hay un 1.03% de probabilidad de detectar menos de 4 bugs en dos días.
Conclusiones
La distribución de Poisson es una herramienta estadística poderosa y ampliamente
aplicable en el campo de la ingeniería de software. Su utilidad se hace evidente en
entornos donde se requiere anticipar y analizar eventos discretos que ocurren con cierta
regularidad, pero de manera aleatoria, como errores, solicitudes o interrupciones del
sistema.
Al comprender y aplicar correctamente esta distribución, los ingenieros de software
pueden mejorar la capacidad predictiva de sus sistemas, optimizar procesos de
mantenimiento, diseñar arquitecturas más robustas y asegurar una mejor experiencia para
el usuario final. Además, facilita la toma de decisiones basada en datos reales,
permitiendo reducir los costos derivados de errores inesperados y mejorar la calidad
general del producto.
Por tanto, la distribución de Poisson no es solo una herramienta teórica, sino un recurso
práctico con beneficios tangibles para la planificación, el desarrollo y la operación de
sistemas de software modernos.
