Siméon Denis Poisson

Es un modelo para la distribución de frecuencias relativas del número de

eventos raros que ocurren en una unidad de tiempo, de distancia, de
espacio, etcétera.

Se utiliza mucho para modelar la distribución de frecuencias relativas del

número de accidentes industriales por unidad de tiempo o el número de
reclamaciones de seguros, por unidad de tiempo

El número de llegadas, por unidad de tiempo, a una unidad de servicio.

El éxito se expresa por unidad de área, tiempo, pieza, longitud, volumen,

etc.

El experimento consiste en contar el número x de veces que ocurre un

evento en particular en una unidad de tiempo dada, o en un área, o en un
volumen (peso, distancia o cualquier otra unidad de medida).
Ejemplos
Expresa la probabilidad de un número k de
•Número de defectos
eventos de una
ocurriendo tela
en un por m2
tiempo fijo si estos
eventos ocurren con una tasa media conocida,
•Número deindependientes
y son aviones que aterrizan en un
del tiempo aeropuerto
desde el por día, hora, minuto, etc,
último evento.
•Número de llamadas telefónicas que recibe un servicio de atención a urgencias
durante un intervalo de tiempo determinado

•Número de cultivos infectados por una plaga en una cierta región geográfica
•Número de bacterias por cm2 de cultivo

• Número de fallas de la red en un día

• Número de pulgas que tiene un perro
• Número de defectos en la superficie de un refrigerador
•Número de llamadas telefónicas a un conmutador por hora, minuto, etc,

•Número de llegadas de embarcaciones a un puerto por día, mes, etc, .

El número de éxitos que ocurren en cada región del tiempo o
del espacio es independiente de lo que ocurra en cualquier
otro tiempo o espacio disjunto del anterior

La probabilidad de un éxito en un tiempo o espacio pequeño

es proporcional al tamaño de este y no depende de lo que
ocurra fuera de él.

La probabilidad de encontrar uno o más éxitos en una región

del tiempo o del espacio tiende a cero a medida que se
reducen las dimensiones de la región en estudio.

La probabilidad de observar exactamente un éxito en el

intervalo es constante.

La probabilidad de observar más de un éxito en el intervalo

es 0

El número medio o esperado de eventos en cada unidad se

denota por la letra griega 
 La función de probabilidad de una variable aleatoria de Poisson es


e  x
P( X  x)  x  0,1,2,3,...........
x!

P (X) = probabilidad de X eventos dado el valor de 

 = esperanza o promedio del número de eventos
en una unidad dada
e = constante matemática, con valor aproximado de
2.71828
X = número de eventos
PARAMETROS

Media
 
Varianza
 2

Desviación Estándar   
Ejemplo 1
El número de enfermos que solicitan atención de urgencia en un
hospital durante un periodo de 24 horas tiene una media de m = 43,2
pacientes. Unas obras en las instalaciones mermarán las
capacidades de atención del servicio, el cual se sabe que colapsará
si el número de enfermos excede de 50.

¿Cual es la probabilidad de que colapse el servicio de urgencias del

hospital?

La probabilidad solicitada es

P ( X 50)  1  P ( X  50)  0.13

El responsable del servicio deberá valorar si esta probabilidad es lo

suficientemente alta como para reforzar la atención de urgencias con más
efectivos, materiales, espacios, etc.
EJEMPLO 2
La media de clientes que llega al Banco General por minuto durante
la hora que va del mediodía a 1 de la tarde es igual a 3.
Cual es la probabilidad de que

a. Lleguen más de dos clientes durante un minuto dado?

b. Lleguen menos de dos clientes durante un minuto dado

c. Llegue un cliente durante un minuto dado?

Ejemplo 3:
Las lesiones laborales graves que ocurren en una planta siderúrgica,
tienen una media anual de 2.7. Dado que las condiciones de
seguridad serán iguales en la planta durante el próximo año, ¿cuál es la
probabilidad de que el número de lesiones graves sea menor que dos?

Solución:
El evento de que ocurrirán menos de dos lesiones graves, es el evento
que x = 0 o bien
1. Por lo tanto,

  x  2     0    1 en donde   x 
 2.7  e 2.7
x

x!

  x  2 
 2.7   0.067206   2.7   0.067206 
0

1

0! 1!

  x  2   0.067206  0.1814562  0.249

 APROXIMACION DE LA DISTRIBUCION BINOMIAL A LA POISSON

Cuando en un experimento BINOMIAL la n es bastante grande y la

probabilidad de éxito p es pequeña o se acerca a cero, se utiliza la
DISTRIBUCION DE POISSON como una aproximación de la
BINOMIAL

e  x
b ( x , n, p ) 
x!   np
x  0,1,2.........

La aproximación es buena cuando la media µ = np de la distribución de

probabilidad binomial esta aproximadamente entre 7 y 8
 Ejemplo 4
Cierta enfermedad tiene una probabilidad muy baja de ocurrir, p=1/100.000.
Calcular la probabilidad de que en una ciudad con 500.000 habitantes haya más de 3
personas con dicha enfermedad. Calcular el número esperado de habitantes que
padecen dicha enfermedad

X denota el número de personas que padecen la enfermedad, es claro que sigue

un modelo binomial, pero que puede ser muy bien aproximado por un modelo de
Poisson, de modo que

Así el número esperado de personas que padecen la enfermedad es

La probabilidad de que haya más de tres personas enfermas es:

GRAFICO PARA DIFERENTES VALORES DE LAMDA

La distribución se vuelve cada vez más simétrica conforme

la media se hace mas grande
Poisson versus Binomial:
Digamos que tenemos un hospital con 20 aparatos para diálisis de riñón y
que la probabilidad de que cualquiera de ellos no funcione bien durante un
día es de 0.02. ¿Cuál es la probabilidad de que exactamente tres máquinas
estén fuera de servicio en el mismo día?

  x 
 np   e 
x  np
  x 
n!
p x q n p
x! x! n  x !

  x 
 20  0.02 e  200.02
3
  x 
20!
 0.02 3  0.98 203
3! 3! 20  3!

  x   0.00715   x   0.0065

La diferencia entre las dos distribuciones de probabilidad es pequeña, solo

de aproximadamente el 10% de error en este ejemplo
 Hipergeometrica Versus Binomial
Si n es pequeña comparada con N, la naturaleza de los N artículos cambia
muy poco en cada prueba.

La DB puede usarse para aproximar la DG cuando n es pequeña en

comparación con N

La aproximación es buena cuando n/N ≤0.05

Ejemplo
Un fabricante de neumáticos para automóvil reporta que entre un
cargamento de 5000 que se mandan a un distribuidor local, 1000 están
ligeramente manchados. Si se compran al azar 10 de estos neumáticos
al distribuidor , cual es la probabilidad de que exactamente 3 estén
manchados