Professional Documents
Culture Documents
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
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)
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)
𝑒 −𝜆𝑡 (𝜆𝑡)𝑥
𝑝(𝑥; 𝜆𝑡) = , 𝑥 = 0, 1, 2, . . . ..
𝑥!
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
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:
1. Tasa de fallas:
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.
1 0.181269
5 0.632121
10 0.864665
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:
IV. CONCLUSIONES
V. REFERENCIAS
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
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.