Universidad T

ecnica Federico Santa Mara

Departamento de Matematica

Profesor: Ronny Vallejos

Clase 12: Variables Aleatorias Discretas Especiales Cont.

Distribuci
on de Poisson
La variable aleatoria Poisson permite modelar fenomenos que tienen que ver con la cantidad de
autos que pasan por una esquina en un determinado tiempo o la cantidad de partculas que hay
en un recipiente por centmetro c
ubico, etc.
Definici
on 1. Una variable aleatoria se dice de conteo si X(t) representa el n
umero total de
eventos que ocurren hasta el tiempo t.
Definici
on 2. Una variable aleatoria discreta que depende del tiempo X(t) se dice que es una
variable aleatoria de Poisson con parametro , > 0, si y solo si
1. X(0) = 0.
2. La cantidad de eventos que ocurren en cualquier intervalo de tiempo de longitud t tiene una
funcion de densidad (cuanta) de la forma
P[(X(t + s) X(s)) = n] =

et (t)n
, n N {0}.
n!

3. Los incrementos son independientes, es decir X(t + s) X(s) y X(s + t + l) X(s + t) son
independientes para toso s, t, l N {0}.
Note que si s = 0 entonces
P[X(t) = n] =

et (t)n
, n N {0}.
n!

Ademas note que Rec(X(t)) = N {0}. La notacion que usaremos es la siguiente: X(t)
P oisson(t).
Teorema 1. Sea X(t) P oisson(t). Entonces
1. E[X(t)] = t.
2. V[X(t)] = t.
Proof. 1.
E[X(t)] =

X
net (t)n

n!

n=0

= et

X
n=0

n(t)n
n!

d
= tet
d(t)

X
(t)n
n=0

n!

= t.
2. Similarmente se prueba que E[X(t)2 ] = t + 2 t2 . Entonces V[X(t)] = t + 2 t2 2 t2 = t.
MAT-043

Noviembre 14, 2013

Universidad T
ecnica Federico Santa Mara
Departamento de Matematica

Profesor: Ronny Vallejos

Ejemplo 1. Suponga que las llamadas que llegana a una central pueden modelarse por una variable
aleatoria Poisson. Asuma que las llamadas tienen una tasa de llegada de 25 llamadas por hora.
a. cual es la probabilidad que no se reciban llamadas entre las 9:99 am y las 9:06 am?
Note que en promedio llegan t = 25 06 llamadas en 6 minutos. Entonces definimos la
variable X(t) = cantidad de llamadas que llegan a la central en 6 minutos.
X(t) P oisson(25 0.1).
Nos piden
P[X(t) = 0] =

e250.1 (25 0.1)0

= 0.08208.
0!

b. Cual es la probabilidad que lleguen mas de 225 llamadas durante un perodo de 8 horas?
En este caso definimos una nueva variable aleatoria . Sea Y (t) =Cantidad de llamadas que
se reciben en un perodo de 8 horas.
Sabemos que
E[Y ] = 25 8 = 200 = t.
Luego
P[Y (t) > 225] =

X
e200 200n
.
n!
n=226

Mas adelante veremos que esta probabilidad se puede aproximar por una distribucion normal.
Ejemplo 2. Una empresa electronica observa que el n
umero de componentes que fallan antes de
cumplir 100 horas de funcionamiento es una variable aleatoria Poisson. Si el n
umero promedio de
estas fallas es 8,
a. Cual es la probabilidad que falle un componente en 25 horas de funcionamiento?
b. Cual es la probabilidad que fallen no mas de 2 componentes en 50 horas?
c. Cual es la probabilidad que fallen por lo menos diez componentes en 125 horas?
a. Sea X(t) = cantidad de componentes que fallan en 25 horas. Entonces t = 2 y
X(t) P oisson(2).

P[X(t) = 1] =

2e2
= 0.27067.
1!

b. Sea Y (t) =cantidad de componentes que fallan en 50 horas. Entonces t = 8 1/2 = 4 y

tenemos que
Y (t) P oisson(4).
P[Y (t) 2] =

2
X
4n e4
n=0

MAT-043

n!

= 0.2381.

Noviembre 14, 2013

Universidad T
ecnica Federico Santa Mara
Departamento de Matematica

Profesor: Ronny Vallejos

P
n 10
c. Sea Z(t) P oisson(t = 10). Entonces P[Z > 10] = 1P[Z 9] = 1 9n=0 (10)n!e . Esta
u
ltima probabilidad puede ser calculada usando una tabla para la distribucion de Poisson o
mediante alguna aproximacion.
Observaci
on 1. La funcion de distribucion acumulada de la distribucion de Poisson no tiene
forma explcita sencilla.
Terminamos enunciando una relacion entre la probabilidad condicional de una distribucion de
Poisson y la variable aleatoria binomial.
Resultado. Sea X(t) P oisson(t). Entonces se tiene que
 
n
P[X(s) = k/X( ) = n] =
(s/ )k (1 s/ )nk ,
k
o equivalentemente
(X(s)/X( ) = n) bin(n, s/ ).

MAT-043

Noviembre 14, 2013