5) DISTRIBUCIN DE POISSON.

La Distribucin de Poisson se llama as en honor a Simen Dennis Poisson (1781-1840),

francs que desarroll esta distribucin basndose en estudios efectuados en la ltima parte
desu vida.

La distribucin de Poisson se emplea para describir varios procesos, entre otros la distribucin
de las llamadas telefnicas que llagan a un conmutador, la demanda (necesidades) de
servicios en una institucin asistencial por parte de los pacientes, los arribos de los camiones
y automviles a la caseta de cobro y el nmero de accidentes en un cruce. Los ejemplos
citados tienen un elemento en comn, pueden ser descritos por una variable aleatoria discreta
que asume valores enteros (0,1,2,3,4,5 y as sucesivamente).

El nmero de enfermos que llegan a un consultorio en cierto intervalo de tiempo ser de
0,1,2,3,4,5 o algn otro nmero entero. De manera anloga, si se cuenta el nmero de
automviles que llegan a una caseta de cobro durante un periodo de diez minutos, el nmero
ser entero.

Caractersticas de los procesos que producen una distribucin de la probabilidad de Poisson.

El nmero de vehculos que pasan por una caseta de cobro en las horas de mayor trfico sirve
como ejemplo para mostrar las caractersticas de una distribucin de probabilidad de Poisson.

El promedio (media) de los arribos de vehculos por hora de gran trfico puede estimarse a
partir de los datos anteriores del trfico.

Si dividimos las horas de gran trfico en periodos (intervalos) de un segundo cada uno,
encontraremos que los siguientes enunciados son verdaderos:

a) La probabilidad de que exactamente un vehculo llegue por segundo a una caseta individual
es un nmero muy pequeo y es constante para que cada intervalo de un segundo.
b) La probabilidad de que dos o ms vehculos lleguen en un intervalo de un segundo es tan
reducida que podemos asignarle un valor cero.
c) El nmero de vehculos que llegan en determinado intervalo de un segundo es
independiente del momento en que el intervalo de un segundo ocurre durante la hora de gran
trfico.
d) El nmero de llegadas en cualquier intervalo de un segundo no depende del nmero de
arribos de cualquier otro intervalo de un segundo.

Ahora bien, podemos generalizar partiendo de las cuatro condiciones que hemos descrito en
este ejemplo, si estas condiciones se cumplen nos apoyaremos en una distribucin de
probabilidad de Poisson para describirlos.
Caractersticas:
En este tipo de experimentos los xitos buscados son expresados por unidad
de rea, tiempo, pieza, etc, etc,:
- # de defectos de una tela por m
2

- # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc, etc.
- # de bacterias por cm
2
de cultivo
- # de llamadas telefnicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a un puerto por da, mes, etc, etc.
Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo,
rea, o producto, la frmula a utilizar sera:


donde:
p(x, ) = probabilidad de que ocurran x xitos, cuando el nmero promedio de
ocurrencia de ellos es
= media o promedio de xitos por unidad de tiempo, rea o producto
c = 2.718
x = variable que nos denota el nmero de xitos que se desea que ocurra

Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren
por unidad de tiempo, rea o producto es totalmente al azar y que cada
intervalo de tiempo es independiente de otro intervalo dado, as como cada
rea es independiente de otra rea dada y cada producto es independiente de
otro producto dado.


Ejemplos:
1. Si un banco recibe en promedio 6 cheques sin fondo por da, cules son
las probabilidades de que reciba, a) cuatro cheques sin fondo en un da
dado, b) 10 cheques sin fondos en cualquiera de dos das consecutivos?


Solucin:
a) x = variable que nos define el nmero de cheques sin fondo que
llegan al banco en un da cualquiera = 0, 1, 2, 3, ....., etc, etc.
= 6 cheques sin fondo por da
c = 2.718





b)
x= variable que nos define el nmero de cheques sin fondo que
llegan al banco en dos das consecutivos = 0, 1, 2, 3, ......, etc., etc.
= 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco
en dos das consecutivos
Nota: siempre debe de estar en funcin de x siempre o dicho de
otra forma, debe hablar de lo mismo que x.

! x
) , x ( p
x
c

=
13392 0
24
00248 0 1296
4
718 2 6
6 4
6 4
.
) . )( (
!
) . ( ) (
) , x ( p = = = = =

2. En la inspeccin de hojalata producida por un proceso electroltico
continuo, se identifican 0.2 imperfecciones en promedio por minuto.
Determine las probabilidades de identificar a) una imperfeccin en 3
minutos, b) al menos dos imperfecciones en 5 minutos, c) cuando ms
una imperfeccin en 15 minutos.
Solucin:
a) x = variable que nos define el nmero de imperfecciones en la
hojalata por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.
= 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en
la hojalata





b) x = variable que nos define el nmero de imperfecciones en la
hojalata por cada 5 minutos = 0, 1, 2, 3, ...., etc., etc.
= 0.2 x 5 =1 imperfeccin en promedio por cada 5 minutos en la
hojalata




=1-(0.367918+0.367918) = 0.26416

c) x = variable que nos define el nmero de imperfecciones en la
hojalata por cada 15 minutos = 0, 1, 2, 3, ....., etc., etc.
= 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en
la hojalata





= 0.0498026 + 0.149408 = 0.1992106

104953 0
3628800
000006151 0 10 1917364 6
10
718 2 12
12 10
12 10
.
) . )( . (
!
) . ( ) (
) , x ( p =
E
= = = =

329307 0
1
548845 0 6 0
1
718 2 6 0
6 0 1
6 0 1
.
) . )( . (
!
) . ( ) . (
) . , x ( p
.
= = = = =

=
|
|
.
|

\
|
+ = = = = = =

!
) . )( (
!
) . ( ) (
) , , x ( p ) .... etc , , , x ( p
1
718 2 1
0
718 2 1
1 1 1 0 1 1 4 3 2
1 1 0

= + = = = + = = = = =

!
) . ( ) (
!
) . ( ) (
) , x ( p ) , x ( p ) , , x ( p
1
718 2 3
0
718 2 3
3 1 3 0 3 1 0
3 1 3 0