DISTRIBUCIÓN DE 

POISSON
Page 2
Siméon Denis Poisson, (1781­1840), astronauta
francés, alumno de Laplace y Lagrange, en
Recherchés sur la probabilité des jugements...., un
trabajo importante en probabilidad publicado en el
año 1837, la distribución de Poisson recién
aparecía.
La distribución de Poisson describe la probabilidad como un 
acontecimiento
fortuito ocurrido en un tiempo o intervalo de espacio bajo las
condiciones que la
probabilidad de un acontecimiento ocurre es muy pequeña, 
pero el número de
intentos es muy grande, entonces el evento actual ocurre 
algunas veces.

P O I S S O N
Page 3

“La probabilidad de obtener “X “ éxitos en un intervalo 
continuo”
○
Se emplea para describir varios procesos:
●
Distribución de las llamadas telefónicas que llagan a un conmutador
●
La demanda de servicios en un hospital por parte de los pacientes
●
Los arribos de los camiones y automóviles a la caseta de cobro
●
El número de accidentes en un cruce
●
El número de defectos en una tela por m2
●
El número de bacterias por cm2

Poisson, usos
Page 4

Poisson, características
○
Características
●
El número medio (promedio) de eventos en el espacio temporal o región 
específica de
interés, por lo general esta media se representa por la lambda griega ()
●
El número de resultados que ocurren en un intervalo de tiempo o región 
específicos
es independiente de el número que ocurre en cualquier otro intervalo de 
tiempo o
región
●
La probabilidad de que un resultado muy pequeño ocurra en un intervalo 
de tiempo
muy corto o en una región pequeña es proporcional a la longitud del 
intervalo de
tiempo o al tamaño de la región
●
La probabilidad de que más de un resultado ocurra en un intervalo de 
tiempo tan
corto o en esa región tan pequeña es inapreciable, que se puede asignar el
valor de
0
Page 5

Fórmula de Poisson
P(x I ) = x * e­
x!
○
P (x I ) = la probabilidad de que ocurran X éxitos cuando el número promedio de 
ocurrencia de ellos
es 
○
media o promedio de éxitos por unidad de tiempo, área o producto
○

e es la constante 2.7183, base de los logaritmos naturales, en tanto que los valores 
de e­
pueden
obtenerse de tablas.
○
X señala un valor específico que la variable pueda tomar (el número de éxitos que 
deseamos ocurran)
○
Por definición, el valor esperado (media en el intervalo o región de interés) de una 
distribución de
probabilidad de Poisson es igual a la media de la distribución.
E(X) = 
○
La varianza del número de eventos de una distribución de probabilidad de Poisson 
también es igual a la
media de la distribución . De este modo, la desviación estándar es la raíz cuadrada 
de .
V(X) = 
√

Page 6

P(x I ) = x * e­
x!
Supóngase que estamos investigando la seguridad de un crucero muy peligroso. Los 
archivos de la policía
indican una media de cinco accidentes por mes en él. El número de accidentes está 
distribuido conforme a la
distribución de Poisson, y la división de seguridad en carreteras quiere calcular la 
probabilidad de
exactamente 0,1,2,3 y 4 accidentes en un mes determinado.
Aplicando la fórmula anterior:
P(0) = (5)0 (e­5) /0! = 0.00674
P(1) = (5)1 (e­5) /1! = 0.03370
P(2) = (5)2 (e­5) /2! = 0.08425
P(3) = (5)3 (e­5) /3! = 0.14042
P(4) = (5)4 (e­5) /4! = 0.17552
Para saber cual es la probabilidad en 3 o menos (X ≤ 3), sumaremos las 
probabilidades de 0,1,2,3 lo que
será igual a :
P(X ≤ 3) = P(0)+P(1)+P(2)+P(3) = 0.26511
Dado que la probabilidad de que haya 3 o menos accidentes es de 0.26511 entonces 
la probabilidad de que
ocurran más de tres (X > 3) debe ser = 1 –0.26511 = 0.73489.

Ejemplos
Page 7
En una tienda de telas, un promedio de 12 personas por hora le hacen preguntas a un
decorador. La
probabilidad de que 3 ó más personas se acerquen al decorador para hacerle 
preguntas en un periodo de 10
minutos.
Promedio por hora =12
= promedio por 10 minutos = 12/6 = 2.0
P (X ≥ 3 I = 2) = P (X=3 I = 2) + P (X=4 I = 2) + P (X=5 I = 2) + …
Ó
P (X ≤ 2 I = 2) = 1 – [ P (X=0 I = 2) + P (X=1 I = 2) + P (X=2 I = 2) ]
Solución 2
P (X= 0 I = 2) = 0.1353
P (X= 1 I = 2) = 0.2707
P (X= 2 I = 2) = 0.2707
P (X ≥ 3 I = 2) = 0.3232
Solución 1
P (X=3 I = 2) = 0.1804
P (X=4 I = 2) = 0.0902
P (X=5 I = 2) = 0.0361
P (X=6 I = 2) = 0.0120
P (X=7 I = 2) = 0.0034
P (X=8 I = 2) = 0.0009
P (X=9 I = 2) = 0.0002
P (X ≥ 3 I = 2) = 0.3232

Page 8
○
Algunas veces, si se desea evitar el tedioso trabajo de calcular las distribuciones 
binomiales, sobre todo
si n (ensayos) es muy grande y p o q (éxito y fracaso) es muy pequeña, se puede 
usar a cambio la de
Poisson, pero debe cumplir con ciertas condiciones como :
●
n ≥ 30
●
np ó nq < 5
○
En los casos en que se satisfacen tales condiciones, podemos sustituir la media de la 
distribución
binomial en lugar de la media de la distribución de Poisson de modo:
=np
Ejemplo: Se sabe que 1% de los artículos de un gran embarque de transistores 
procedente de un proveedor
son defectuosos. Si se selecciona aleatoriamente una muestra de 30 transistores, la 
probabilidad de que
dos o más de ellos sean defectuosos.
P (X ≥ 2 I n=30, p= 0.01) = P (X=2) + P (X=3) + …= 
0.0328+0.0031+0.0002 = 0.0361
Si =np=30(0.01) = 0.3, la aproximación de Poisson del anterior valor de 
probabilidad es
P (X ≥ 2 I = 0.3) = P (X=2) + P (X=3) + …= 0.0333 + 0.0033 + 0.0002 = 0.0368
Así la diferencia entre la aproximación de Poisson y el valor de probabilidad 
binomial real es de sólo 0.0007