DISTRIBUCIÓN DE PROBABILIDAD DE POISSON

Daniel Cadena, Byron Ortiz

Facultad de Mecánica, Carrera de Ingeniería Mecánica
Escuela Superior Politécnica de Chimborazo
adanielc_22@hotmail.com, ortizbyron28@gmail.com
Riobamba – Ecuador

Resumen — En el presente artículo se detalla los aspectos y propiedades de la Distribución

de Probabilidad de Poisson de manera clara y precisa, además de las pertinentes fórmulas de
los factores de forma. También se incluyen aplicaciones prácticas que ilustren el empleo de
esta distribución.

Palabras Claves — Distribución de Probabilidad de Poisson, Factores de forma, Aplicaciones.

Abstract - In this article, the aspects and properties of the Poisson Probability Distribution are
detailed in a clear and precise manner, in addition to the relevant formulas of the form factors.
Practical applications that illustrate the use of this distribution are also included.
Keywords – Poisson Probability Distribution, Form factors, Applications.

I. INTRODUCCIÓN
El estudiante de ingeniería tiene la tarea de diseñar experimentos y analizar datos de diferentes
fuentes, por esta razón debe tener muy en cuenta las diversas técnicas estadísticas que dispone
con miras a reducir la incertidumbre y generar seguridad para la toma de decisiones. En este
objetivo tener un conocimiento acerca de la Distribución de Probabilidad de Poisson nos ayuda
a tener mayor efectividad ya que quienes tengan estos conocimientos son personas que se
caracterizan entre otros aspectos porque evitan hacer especulaciones subjetivas, dan solución
con base en los datos y tienen claridad sobre los procesos de generación de datos. Un futuro
profesional con estas características es una garantía que tienen las organizaciones para mejorar
sus procesos en un mundo competitivo.

Los experimentos que producen valores numéricos de una variable aleatoria X, el número de
resultados que ocurren durante un intervalo de tiempo determinado o en una región
específica, se denominan experimentos de Poisson. El intervalo de tiempo puede ser de
cualquier duración, como un minuto, un día, una semana, un mes o incluso un año. Por
ejemplo, un experimento de Poisson podría generar observaciones para la variable aleatoria X
que representa el número de llamadas telefónicas por hora que recibe una ofi cina, el número
de días que una escuela permanece cerrada debido a la nieve durante el invierno o el número
de juegos suspendidos debido a la lluvia durante la temporada de béisbol. La región específica
podría ser un segmento de recta, una área, un volumen o quizá una pieza de material. En tales
casos X podría representar el número de ratas de campo por acre, el número de bacterias en
un cultivo dado o el número de errores mecanográficos por página. Un experimento de Poisson
se deriva del proceso de Poisson

II. DISTRIBUCIÓN DE POISSON

Llamada así en honor a Simeón-Denis Poisson, quien la describió por primera vez a finales del
siglo XIX Dentro de su trabajo: Recherches sur la probabilité des jugements en
matièrescriminelles et matièrecivile (Investigación sobre la probabilidad de los juicios en
materias criminales y civiles).

La distribución de Poisson es una distribución de probabilidad discreta que expresa, a partir de

una frecuencia de ocurrencia media λ, la probabilidad que ocurra un determinado número de
eventos durante un intervalo de tiempo dado o una región específica.

Se aplica cuando los sucesos o eventos son independientes entre sí, o cuando un suceso A tiene
una probabilidad p de suceder durante un periodo de tiempo, siendo esta probabilidad de
ocurrencia durante un periodo de tiempo concreto muy pequeña (se suele hablar de que tiende
a 0) o Sea una muestra de tamaño n bastante elevado (se suele hablar de que tiende a ∞).
(Martínez Gómez & Marí Benlloch, 2013)

Propiedades del Procesos de Poisson

 El número de resultados que ocurren en un intervalo o región específica es

independiente del número que ocurre en cualquier otro intervalo de tiempo o región
del espacio disjunto. De esta forma vemos que el proceso de Poisson no tiene memoria.
 La probabilidad de que ocurra un solo resultado durante un intervalo de tiempo muy
corto o en una región pequeña es proporcional a la longitud del intervalo o al tamaño
de la región, y no depende del número de resultados que ocurren fuera de este
intervalo de tiempo o región.
 La probabilidad de que ocurra más de un resultado en tal intervalo de tiempo corto o
que caiga en tal región pequeña es insignificante.

Debido a la independencia entre los eventos, el proceso de Poisson es un proceso sin memoria
pues la llegada de un evento no depende de los eventos que ya llegaron. Esto se conoce como
la propiedad de “Markov”. Otra característica del proceso de Poisson es que cuenta
únicamente la ocurrencia (llegada) de los eventos y no su no-ocurrencia. (Zapata, 2015)

Las variables aleatorias de Poisson tienen la propiedad de ser infinitamente divisibles. La

divergencia Kullback-Leibler desde una variable aleatoria de Poisson de parámetro λ0 a otra de
parámetro λ. (Rodríguez Rodríguez, 2014)

El número X de resultados que ocurren durante un experimento de Poisson se llama variable

aleatoria de Poisson y su distribución de probabilidad se llama distribución de Poisson. El
número medio de resultados se calcula a partir de μ = λt, donde t es el “tiempo”, la “distancia”,
el “área” o el “volumen” específicos de interés. Como las probabilidades dependen de λ,
denotaremos la tasa de ocurrencia de los resultados con p(x; λt). La derivación de la fórmula
para p(x; λt), que se basa en las tres propiedades de un proceso de Poisson que se listaron
antes, está fuera del alcance de este texto. La siguiente fórmula se utiliza para calcular
probabilidades de Poisson. (Walpole, Myers, Myers, & Ye, 2012)

La distribución de probabilidad de la variable aleatoria de Poisson X, la cual representa

el número de resultados que ocurren en un intervalo de tiempo dado o región específicos
y se denota con t, es:

𝑒 −𝜆𝑡 (𝜆𝑡)𝑥
𝑝(𝑥; 𝜆𝑡) = , 𝑥 = 0, 1, 2, . . . ..
𝑥!

Características de la Distribución de Probabilidad de Poisson

 La distribución de Poisson tiene la particularidad de que la esperanza y la varianza son

iguales, estos son:

𝐸(𝑋) = 𝜆
𝑉𝑎𝑟(𝑋) = 𝜆
.
 La función generadora de momentos de la variable aleatoria de Poisson, con valor
esperado, es:
𝑡 −1))
𝑚𝑥 (𝑡) = 𝑒 (𝜆(𝑒

 El espacio muestral en un modelo de Poisson se genera por un número muy grande

(puede considerarse infinito) de repeticiones de un experimento cuyo modelo de
probabilidad es el de Bernoulli, con probabilidad de éxito muy pequeña. Por esta razón,
a la distribución de Poisson se le suele llamar de eventos raros. Las repeticiones del
experimento de Bernoulli se realizan en cada uno de los puntos de un intervalo de
tiempo o espacio. La probabilidad de que se tenga dos o más éxitos en el mismo punto
del intervalo es cero. El número promedio de éxitos en un intervalo es una constante,
que no cambia de intervalo a intervalo.

 La distribución de Poisson se puede expresar de forma gráfica, ya que en realidad

consiste en un diagrama de barras, con forma asimétrica positiva como sucede con la
distribución binomial. Sin embargo, al ir aumentando los valores de , va adquiriendo la
típica forma de la Campana de Gauss (esto se puede evidenciar analizando el
coeficiente de asimetría -su objetivo es determinar, sin necesidad de dibujar, la
deformación horizontal de la distribución con respecto a un valor central, generalmente
 la media [6]- mencionado anteriormente), pudiendo deducirse, que conforme
aumenta, las variables de Poisson van a poder aproximarse a la distribución normal, por
el Teorema Central del Límite. La aproximación se considera buena para valores de
iguales o superiores a nueve. (Arroyo, Bravo, Llinás, & Muñoz, 2014)

Factores de Forma de la Distribución de Probabilidad de Poisson

 Coeficiente de Asimetría

1
𝜆

 Curtosis relativa

1
3+
𝜆
 Desviación estándar

√𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎

III. APLICACIONES
Se aplica cuando los sucesos o eventos son independientes entre sí, o cuando un suceso A tiene
una probabilidad p de suceder durante un periodo de tiempo, siendo esta probabilidad de
ocurrencia durante un periodo de tiempo concreto muy pequeña (se suele hablar de que tiende
a 0) o Sea una muestra de tamaño n bastante elevado (se suele hablar de que tiende a ∞).
(Martínez Gómez & Marí Benlloch, 2013)
Una primera aplicación de la Distribución de Probabilidad de Poisson la podemos observar en
la industria en el control de la calidad y productividad. Hoy en día las empresas son conscientes
que la competitividad guarda relación con la calidad, el servicio y el precio del producto. La cual
está relacionada con la maquinaria, la mano de obra, las mediciones, el medio ambiente, los
métodos y los materiales. Su aplicación implica un compromiso firme por parte del nivel
estratégico de la empresa, acompañado de un cambio en la manera de pensar en las personas.
Es primordial formar en pensamiento estadístico en el manejo de este tipo de distribución a
quienes conforman el nivel operativo.

Otra aplicación muy importante radica en la confiabilidad y pruebas de vida, estos estudios son
utilizados en la gestión de mantenimiento industrial, la cual es una actividad clave para mejorar
la calidad y la competitividad de las empresas. Se relaciona con la probabilidad de que un
componente o sistema desempeñe satisfactoriamente la función para la cual fue creado,
durante un periodo establecido y en unas condiciones normales de operación especificadas.
Los estudios de confiabilidad mediante la Distribución de Probabilidad de Poisson analizan el
comportamiento de vida de un componente o sistema en unidades de tiempo y su utilización
en la planeación del mantenimiento permite calcular indicadores de disponibilidad como el
tiempo medio entre fallas y el tiempo medio de reparación, entre otros. Un mantenimiento
enfocado en la confiabilidad ayuda a prolongar la vida de los equipos y sistemas en el futuro
inmediato, con lo cual se puede garantizar con cierta confianza la funcionalidad de los sistemas
y la producción de la empresa.

EJEMPLO
Las estadísticas para falla de transformadores en un sistema eléctrico con 100 de estos
equipos son:

Tabla 1. Estadísticas de falla en transformadores Año Fallas

Año Fallas
1 17
2 15
3 25
4 22
5 18
6 23
Σ𝑎ñ𝑜𝑠 = 6 Σ𝑓𝑎𝑙𝑙𝑎𝑠 = 120

1. Tasa de fallas:

λ = 120 fallas / (6 años*100 trafos) = 0.2 fallas/año-trafo

2. Valores esperados de falla: µ = 0.2*t
Tabla 2. Valores esperados de falla
Periodo de tiempo Valor esperado
[años] [fallas]
1 0.2
5 1
10 2

Obsérvese que para el primer año el valor esperado de fallas es 0.2 el cual es imposible
puesto que el número de fallas en un número entero.
Para los periodos de cinco y diez años los valores esperados de falla son 1 y 2,
respectivamente. Estos valores tienen probabilidades de ocurrir de 36.78% y 27.06%,
respectivamente, los cuales son muy bajos e ilustran el cuidado que se debe tener con el
manejo de valores medios o esperados.

3. Probabilidad de llegada de fallas en diferentes periodos de tiempo: P(x=k) = (0.2*t)^k /

k! *e^(-0.2*t)
Tabla 3. Probabilidad de llegada de fallas
Eventos Periodo de tiempo [años]
(Fallas)
1 5 10
0 0,818731 0,367879 0,135335
1 0,163746 0,367879 0,270671
 3 0,016375 0,183940 0,270671
3 0,001092 0,061313 0,180447
4 0,000055 0,015328 0,090224
5 0,000002 0,003066 0,036089
6 0,000000 0,000511 0,012030
7 0,000000 0,000073 0,003437
8 0,000000 0,000009 0,000859
9 0,000000 0,000001 0,000191
10 0,000000 0,000000 0,000038

4. Probabilidad de tener al menos una falla:

P(al menos 1 falla) = 1–P (no tener fallas) = 1-P(x=0)

Tabla 4. Probabilidad de tener al menos una falla

Periodo de Probabilidad
tiempo [años]
1 0.181269
5 0.632121
10 0.864665

5. Probabilidad de falla de uno los transformadores: Q(tf ≤ t) = 1 – e^(-0.2*t)

Tabla 5. Probabilidad de fallar en t≤to
to [años] Probabilidad

1 0.181269
5 0.632121
10 0.864665

Tiempo medio para falla=1/ λ=1/0.2 fallas/año=5 años

Obsérvese que aunque el valor esperado para falla es de 5 años, la probabilidad de que el
transformador falle en un tiempo menor o igual a ése es apenas del 63.21%.
Al comparar las Tablas 4 y 5 se concluye que la probabilidad de falla obtenida mediante la
distribución exponencial es igual a la probabilidad de que ocurra por lo menos una falla en el
proceso de Poisson.

6. Probabilidad de llegada de la tercera falla en un tiempo dado.

t
F(t n ≤ t) = ∫ 0.2n /(n − 1)! ∗ t n−1 ∗ e^(−0.2 ∗ t)dt
0

Tabla 6. Probabilidad de llegada de tercera falla en t≤to

To [años] Probabilidad

1 0.0011485
5 0.0803014
 10 0.3233236
Estas probabilidades coinciden con la probabilidad de que ocurran al menos 3 fallas en el
Proceso de Poisson. Esto, se expresa como:

p(k ≥ 3) = 1 − p(k0) − p(k = 1) − p(k = 2)

IV. CONCLUSIONES

 La aplicación de la Distribución de Probabilidad de Poisson es multidisciplinaria al

servicio de todas las profesiones, especialmente de la Ingeniería, la cual por su
naturaleza cuantitativa no escapa del manejo de datos y fenómenos caracterizados por
la incertidumbre. Es innegable la importancia que tiene en la industria la aplicación de
esta distribución en función de la productividad y el control de calidad.
 El proceso de Poisson permite modelar la llegada de eventos aleatorios internos y
externos que tienen relación directa con la confiabilidad de un componente o sistema.
 Antes de su aplicación es necesario verificar que las condiciones de este modelo sean
cumplidas. Especial cuidado debe tenerse en la independencia de los eventos aleatorios
estudiados.

V. REFERENCIAS

Rodriguez Rodriguez, M. (2014). IMPORTANCIA DE LA DISTRIBUCION BINOMIAL Y DE

POISSON. Cumaral, Colombia. Obtenido de
https://dialnet.unirioja.es/descarga/articulo/4020400.pdf

Arroyo, I., Bravo, L., Llinás, H., & Muñoz, F. (Junio de 2014). Distribuciones Poisson y Gamma:
Una Discreta y Continua Relación. Prospect, 99-107. Obtenido de
http://www.scielo.org.co/pdf/prosp/v12n1/v12n1a12.pdf

Zapata, C. (2015). APLICACIONES DEL PROCESO DE POISSON EN CONFIABILIDAD. Pereira,

Colombia. Obtenido de http://academia.utp.edu.co/planeamiento/files/2014/01/cjz-
artst1-proceso-poisson.pdf

Martínez Gómez, M., & Marí Benlloch, M. (2013). La Distribución de Poisson. Valencia,
España. Obtenido de
https://riunet.upv.es/bitstream/handle/10251/7937/Distribucion%20Poisson.pdf

Walpole, R., Myers, R., Myers, S., & Ye, K. (2012). Probabilidad y Estadística para ingeniería y
ciencias. México: Pearson.