UNIVERSIDAD NACIONAL DE UCAYALI

ESCUELA ACADEMICO PROFESIONAL DE

INGENIERIA CIVIL
CURSO: ESTADISTICA
APLICADA A LA
INVESTIGACION
TEMA:
MODELOS DE DISTRIBUCION
DE POISSON O POISSONIANA

WALTER ROMAN CLAROS

Mg. en Gestión de Proyectos
 Distribución de Poisson
OBJETIVOS
• Describir las características y calcular las probabilidades usando la
distribución de Poisson.
• Conocer el modelo discreto de probabilidad de Poisson y el:
* Tipo de experimentos que modelizan
* Esperanza y varianza
* Propiedades gráficas y de asimetría

Saber hacer:
Dada una variable aleatoria:
* Reconocer el modelo de probabilidad que sigue
* Calcular probabilidades, utilizando las tablas o bien a partir de
las fórmulas adecuadas
* Hallar esperanza y varianza.
Dada una variable estadística:
* Estudiar si se ajusta a alguno de los modelos de probabilidad
estudiados
* Determinar los parámetros correspondientes a dicho modelo
Distribución de Poisson
CARACTERISTICAS
•Son distribuciones de probabilidad discreta.
•Son eventos independientes
•La distribución Poisson, Se aplica a varios fenómenos discretos de la naturaleza
(esto es, aquellos fenómenos que ocurren 0, 1, 2, 3, ... veces durante un periodo
definido de tiempo o en una área determinada) cuando la probabilidad de
ocurrencia del fenómeno es constante en el tiempo o el espacio.

OCURRENCIAS
Ejemplos de estos eventos que pueden ser modelados por la distribución Poisson
incluyen:
•Las llegadas de los clientes a un Banco, Supermercado, Telefónica, Hospital.
•El número de errores de ortografía que uno comete al escribir una única página.
•El número de correos que llegan a nuestro buzón por minuto.
•El número de servidores web accedidos por minuto.
•Flujo de vehículos en la Av. Centenario de la Carretera Federico Basadre.
 1781-1840
Distribución de Poisson
 1781-1840
Distribución de Poisson
Por ejemplo
Distribución de Poisson
 1781-1840
Distribución de Poisson
Las distribuciones de probabilidad son idealizaciones de los
polígonos de frecuencias y se comprueba que al aumentar el
número de datos y el número de clases el histograma tiende a
estabilizarse llegando a convertirse su perfil en la gráfica de una
función.
Esta distribución aparece en algunos procesos que tienen una
dimensión temporal o espacial, y en fenomenos que tienen un
alto número de experimentos (alto n) y una baja probabilidad de
que ocurran (baja p).
 Distribución de Poisson
Para entender la Distribución de Poisson, vamos analizar un ejemplo
detenidamente. Supongamos que se tiene una tabla rectangular de madera,
de 1 metro por 1 metro, pintada con un recubrimiento sobre cuya superficie
se presentan aleatoriamente pequeños defectos. Estos defectos podrían ser
por ejemplo partículas muy pequeñas de pigmento que no fueron bien
molidas al fabricar la pintura. Se desea calcular la probabilidad de que
aparezcan estos defectos:

Podríamos subdividir la superficie en zonas rectangulares mas pequeñas y de igual

tamaño:
 Distribución de Poisson
Ahora tenemos la superficie dividida en 4 zonas rectangulares de
igual tamaño. Observamos que en algunas zonas aparece un
defecto superficial y en otras no. Vamos a hacer las siguientes
suposiciones:
1) En cada zona sólo puede aparecer 1 defecto.
2) Si la probabilidad de que aparezca un defecto en todo el área
es
p, la probabilidad de que aparezca un defecto en una zona es
p/4.
Entonces, utilizando la Distribución Binomial podemos calcular la
probabilidad de que en nuestra superficie aparezcan 0, 1, 2, 3, 4
defectos:

El promedio de defectos en la superficie total seráEl promedio de defectos en la superficie total será:

Pero sabemos que en realidad en cada zona podrían aparecer más

de 1 defecto. Esto hace inexacto nuestro cálculo.
 Podríamos hacer el cálculo más exacto si subdividimos las
zonas:
Dividimos cada zona en 4 y ahora tenemos 16 zonas. La
probabilidad de tener 1 defecto en una zona es: p/16
Podemos entonces calcular la probabilidad de tener 0, 1, 2, 3, ....,
16 defectos en el área total:

Y el promedio de defectos en la superficie

resulta ser el mismo que
antes:

Lo que estamos haciendo es ir aumentando n al mismo tiempo que disminuye

p en igual proporción. Por lo tanto el promedio de defectos en la superficie total
n.p se mantiene constante. Como vimos, al suponer que en cada subzona sólo
puede haber 1 defecto
o ningún defecto estamos cometiendo un error. Este error se hace
cada vez menor, porque a medida que subdividimos el area total cada vez menor,
porque a medida que subdividimos el area total se hace menos probable que en
una subzona aparezca mas de un defecto. Si continuamos subdividiendo el área
indefinidamente, la fórmula binomial nos dará la probabilidad de obtener 0, 1, 2, 3,
... N defectos, con n tendiendo a infinito.
En el límite, la fórmula binomial tiende a la fórmula de Poisson, ojo con esto:

Función de cuantía (f(x)=P(x):

El producto de n por p, en el límite, es igual al parámetro de la distribución:

El número de defectos x en la superficie total es una variable aleatoria discreta

que puede tomar valores 0, 1, 2, 3, 4, ... y cuya distribución de probabilidades
se conoce como Distribución de Poisson.
Se puede observar que la curva de la función de Poisson Se puede observar que la curva
de la función de Poisson es asimétrica, como la binomial. El promedio de esta variable
aleatoria es igual al parámetro de la distribución:

Y la varianza también es igual al parámetro de la distribución:

Area de Londres de 144 Km2 dividida en
576 cuadrados de 0.5 km2 cada uno.
El número total de V2 que habían caído en
esa área era de 537 bombas.
Número medio de bombas en un
cuadrado:
537

576
Distribución de Poisson
Distribución de Poisson
Aplicación Práctica
El Banco de Crédito, está abierto 14 Horas al día y en el último mes ha promediado 20
clientes diarios en caja. a). ¿Qué probabilidad hay de que en la siguiente hora llegue un

cliente exactamente?
b). ¿Cuál es la probabilidad de que lleguen 2?
c). ¿Cuál es la probabilidad de que llegan mas de 3?
Desarrollo
Los arribos o la media (λ) de clientes por hora es de 20/ 14 = 1,4285
Para a) y b). P(x=1) y P(x=2)= ? 

c).

Uso de Tablas

f ( x,  )  F ( x,  )  f ( x 1,  )
Distribución de Poisson
Aplicación Práctica Con Uso de Tablas
Distribución de Poisson
Aplicación Práctica Con Uso de Tablas
Distribución de Poisson
Aplicación Práctica Con Uso de Tablas
Distribución de Poisson
Aplicación Práctica Con Uso de Tablas
Ing. WALTER ROMAN CLAROS
Mg. en Gestión de proyectos