DISTRIBUCIN DE POISSON.

Presentado por:

Gustavo A. Holguin
Periodo Agosto Diciembre / 2011

UNIVERSIDAD DEL VALLE

Facultad de Ingenieras
Escuela de Ingeniera de Materiales
Maestra en Ingeniera, nfasis Ingeniera de Materiales.

Santiago de Cali
Enero 16 del 2012

DISTRIBUCIN DE POISSON.

Presentado por:

Gustavo A. Holguin
Periodo Agosto Diciembre / 2011

Presentado a:
Hector Sanchez Stepha Ph. D
Materia:
Materiales I

UNIVERSIDAD DEL VALLE

Facultad de Ingenieras
Escuela de Ingeniera de Materiales
Maestra en Ingeniera, nfasis Ingeniera de Materiales.
Santiago de Cali
Enero 16 del 2012

CONTENIDO

Pagina.
1. INTRODUCCIN ----------------------------------------------------------------

4.

2. DEFINICIN DE DISTRIBUCIN -------------------------------------------

4.

3. TIPOS DE DISTRIBUCIONES -------------------------------------------------

5.

4. SIMEN DENNIS POISSON ---------------------------------------------------

7.

5. DISTRIBUCIN DE POISSON -------------------------------------------------

8.

6. DIFERENCIA DE LA DISTRIBUCIN DE POISSON ---------------------

9.

7. CONCLUSIONES ---------------------------------------------------------------

10.

8. BIBLIOGRAFIA ------------------------------------------------------------------

10.

1. INTRODUCCIN
La distribucin de Poisson es un mtodo usado en casos especiales para determinar la
probabilidad de ocurrencia de un suceso. Cuyo resultado, es representado por una
variable discreta (variable para la que se dan de modo inherente separaciones entre
valores observables sucesivos) [1].
En el presente trabajo se definir y explicara en qu consiste el mtodo de distribucin
de Poisson, y la diferencia de este respecto a las otras distribuciones probabilsticas.
2. DEFINICIN DE DISTRIBUCIN
Distribucin, es la accin y efecto de distribuir. Este concepto es aplicado en diferentes
campos (Economa, informtica, biologa, etc.). Especficamente en el campo
matemtico estadstico, se refiere a la distribucin de probabilidad [2].
2.1 DISTRIBUCIN DE PROBABILIDAD.
La distribucin de probabilidad est definida para variables aleatorias (Cuyo valores
estn determinados por el azar) [3], y se entiende como una funcin que permite
determinar que tan probable es que un suceso ocurra. Esta funcin est definida sobre el
conjunto de todos los sucesos, cada uno de los sucesos es el rango de valores de la
variable aleatoria, y est completamente especificada por la funcin de distribucin,
cuando la variable aleatoria toma valores en el conjunto de los nmeros reales [4].
2.2 FUNCIN DE DISTRIBUCIN.
La funcin de distribucin es una funcin F: R R que asocia a cada valor de la
variable aleatoria la probabilidad acumulada hasta ese valor [5].
La funcin de distribucin cumple que:
a) F es montona creciente
b) F es continua por la derecha
c) Lm x F(x) = 1 y Lm x F(x) = 0
Dada una funcin de distribucin F, si existe una funcin real f tal que
(1)
Donde f es la funcin de densidad de F, y esta funcin de densidad siempre es positiva y
satisface fdx=1

Entonces, definiendo P como la media probabilidad en (R,B(R), la funcin de

distribucin est definida como:
(2)
Donde F es continua en x si y slo si P(x) = 0.
Generalmente en la funcin de distribucin, se enuncia que cada valor en cada real x, es
la probabilidad de que la variable aleatoria sea menor o igual que x.
Definindose entonces como: F(x) = p(X x)

(3)

3. TIPOS DE DISTRIBUCIONES
Dado que este trabajo se enfoca particularmente en explicar la distribucin de Poisson,
solamente se harn una breve descripcin algunas de las distribuciones comnmente
usadas. Otras solamente sern mencionadas [6].
En el contexto estadstico, las distribuciones de probabilidad comnmente usadas se
observan en la tabla 1.
Tabla 1. Distribuciones probabilsticas comnmente usadas.
Bernoully

Beta

Binomial

Erlang
Lognorma
l
t
de
student

Exponencial
Normal

F
Pareto

Uniforme
(continua)

Uniforme
(discreta)

Binomial
negativa
Gamma
Pascal

Chicuadrada
Geomtrica
Poisson

Weibull

3.1 DISTRIBUCIN DE BERNOULLY

Es la ms simple de las distribuciones discretas (Figura 1). Toma solo dos valores que se
denotan como fracaso (x = 0) o xito (x = 1), con probabilidades 1-p y p
respectivamente.
Se usa para modelar la probabilidad de que un resultado sea de una clase especfica o
tenga una caracterstica especfica [6].

Formula:

Media: p
Varianza: p (1-p)

(4)

Figura 1. Representacin de la distribucin de Bernoulli.

La distribucin de Bernoulli, se usa para modelar la probabilidad de que un resultado
sea de una clase especfica o tenga una caracterstica especfica.

Un sistema de computacin est funcionando o no.

Un paquete en una red llego a su destino o no.

Esta distribucin junto con sus derivadas, se puede usar solo si los ensayos son
independientes e idnticamente distribuidos de forma tal que la probabilidad de xito en
cada ensayo sea p y no sea afectada por el resultado en ensayos anteriores [6].
3.2 DISTRIBUCIN BINOMIAL
Esta distribucin se basa en el proceso de Bernoulli. Se denominan procesos de tipo
Bernoulli, a todo experimento consistente en una serie de pruebas repetidas,
caracterizadas por tener resultados que se pueden clasificar en si verifican o no
cierta propiedad o atributo, siendo aleatorios e independientes [6].
Para identificar un proceso Bernoulli en una serie de pruebas repetidas, se deben
verificar tres condiciones [7]:
(a) Resultados dicotmicos: Los resultados de cada prueba se pueden clasificar en
"xito" si verifican cierta condicin, o "fracaso" en el caso contrario.
(b) Independencia de las pruebas: El resultado de una prueba cualquiera es
independiente del resultado obtenido en la prueba anterior, y no incide en el
resultado de la prueba siguiente.
(c) Estabilidad de las pruebas: La probabilidad p de obtener un resultado
considerado como un xito se mantiene constante a lo largo de toda la serie de
pruebas.
Cuando en un proceso del tipo Bernoulli se desea saber la probabilidad de obtener
exactamente r xitos, en una serie de n pruebas, con una probabilidad de xito p, se
puede aplicar la frmula de la probabilidad binomial.
Formula:
Media: np
Varianza: np (1-p)

(5)
6

La probabilidad binomial (Figura 2), se usa para modelar el nmero de xitos en una
secuencia de n ensayos Bernoulli.
El nmero de procesadores que estn funcionando en un sistema multiprocesador.
El nmero de paquetes que alcanzaron su destino sin errores.
El nmero de elementos en una cola que tienen determinada caracterstica [6].

Figura 2. Representacin de la distribucin Binomial.

4. SIMEN DENNIS POISSON [8, 9]
Fsico y matemtico francs nacido en Pithiviers, Francia, el 21 de junio de 1781 y
fallecido en Sceaux (Altos del Sena), Francia, el 25 de abril de 1840.
Desarroll una serie de trabajos de las integrales
definidas y avances en las series de Fourier, realizo
trabajos en el campo de la electricidad, hizo
publicaciones sobre la geometra diferencial y la
teora de probabilidades.
Muchos trabajos llevan su nombre. Entre estos se
encuentran la integral de Poisson, teora de
ecuaciones de potencia de Poisson, la constante
elctrica de Poisson y la distribucin de Poisson.

Figura 3. Simeon Poisso (1781-1840).

Desde su juventud se destaco en el campo de las matemticas, fue alumno de PierreSimon Laplace y Joseph-Louis de Lagrange. Donde este ltimo, tuvo gran inters en
Poisson debido a una memoria de diferencias finitas escrita por l a los 18 aos.

5. LA DISTRIBUCIN DE POISSON [8]

La distribucin de probabilidad de Poisson se define como una distribucin de
probabilidad discreta, que permite determinar la probabilidad de ocurrencia de un
suceso o nmero de sucesos en un determinado periodo de tiempo, dada una frecuencia
media conocida e independiente del tiempo discurrido desde el ltimo suceso. Dando
como resultado, un resultado discreto.
Se utiliza en situaciones donde los sucesos son impredecibles o de ocurrencia aleatoria.
En otras palabras no se sabe el total de posibles resultados. Por lo que se utiliza cuando
la probabilidad del evento que nos interesa se distribuye dentro de un segmento n dado
como por ejemplo distancia, rea, volumen o tiempo definido.
Es muy til cuando la muestra o segmento n es grande y la probabilidad de xitos p es
pequea.
Formula funcin de probabilidad de Poisson (6):
Donde:
x es el nmero de ocurrencias del evento o fenmeno (la funcin nos da la
probabilidad de que el evento suceda precisamente k veces).
es un parmetro positivo que representa el nmero de veces que se espera que
ocurra el fenmeno durante un intervalo dado
Media = Varianza:
La distribucin de Poisson se emplea para describir procesos con un elemento en
comn, pueden ser descritos por una variable aleatoria discreta. Y se usa
extensivamente en modelos de colas (estudio matemtico de las lneas de espera) [10]
para modelar el nmero de llegadas en cierto intervalo:

Nmero de consultas a un servidor en un intervalo t.

Nmero de fallas en componentes por unidad de tiempo.
La llegada de un cliente al negocio durante una hora.
Las llamadas telefnicas que se reciben en un da.
Los defectos en manufactura de papel por cada metro producido.
Numero de bacterias por cm2 de cultivo

Figura 4. Representacin de la distribucin de Poisson.

Se puede observar que la curva de la funcin de Poisson es asimtrica, como la
binomial. El promedio y la varianza de esta variable aleatoria son iguales al parmetro
de la distribucin.
Tabla 2. Otras expresiones en la distribucin de Poisson.
Condicin de normalizacin:

Valor medio:

Desviacin Tpica:

Resultado del suceso x con su error:

5.1 PROPIEDADES EN LA DISTRIBUCIN DE POISSON [8].

La probabilidad de observar exactamente un xito en el segmento o tamao de

muestra n es constante.
El evento debe considerarse un suceso raro.
El evento debe ser aleatorio e independiente de otros eventos
Tanto el valor esperado como la varianza de una variable aleatoria con
distribucin de Poisson son iguales a .
Se tiene que cumplir que: p < 0.10, p * n < 10
6.

DIFERENCIA DE LA DISTRIBUCIN DE POISSON

El modelo de distribucin de Poisson aplica cuando se realiza un experimento muchas

veces, y la muestra n es muy grande, mientras que la probabilidad de xito p en cada
ensayo es baja. Caso en el que la distribucin Binomial no aplica.
En la distribucin binomial, la varianza es siempre menor que la media. Mientras que en
la distribucin de Poisson, la varianza es igual que la media.
En la distribucin binomial se mide el nmero de xitos en una secuencia de n ensayos
Bernoulli. El nmero de ensayos es fijo (se limita), siendo el recorrido de la variable
aleatoria desde 0 hasta n. En la distribucin de Poisson, el recorrido de la variable
aleatoria va desde 0 a infinito (No se limita).

7.

CONCLUSIONES

El modelo de distribucin de Poisson se presenta para muestras muy grandes y

probabilidades muy bajas, en donde la media y la varianza toman el mismo valor de
distribucin y cuya variable aleatoria presenta un recorrido desde o a infinito.
Esto permite poderse aplicar a procesos cuyos eventos suceden aleatoriamente y
particularmente puede ser aplicado al modelo de Drude de los metales, determinando
que la probabilidad de un electrn de sufrir una colisin en un intervalo infinitesimal es
dT/.
8.

BIBLIOGRAFIA

[1] http://es.wikipedia.org/wiki/Variable_discreta_y_variable_continua
[2] http://es.wikipedia.org/wiki/Distribuci%C3%B3n
[3] http://es.wikipedia.org/wiki/Variable_aleatoria
[4] http://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_probabilidad
[5] Captulo 1. Fundamentos, http://www.mat.puc.cl/~aramirez/clases/parte2.pdf
[6] http://www.ing.ula.ve/~hhoeger/simulacion/PARTE7.pdf
[7] http://www.monografias.com/trabajos27/probabilidades-discretas/probabilidadesdiscretas.shtml
[8] Walter Lpez Moreno, La distribucin de Poisson, Centro de Competencias de la
Comunicacin, Universidad de Puerto Rico en Humacao, www1.uprh.edu
[9] http://es.wikipedia.org/wiki/Simeon_Poisson
[10] http://html.rincondelvago.com/teoria-de-colas_3.html

10