Variable de Poisson

Nicolas Saintier

16 de septiembre de 2014
Consideremos un experimento aleatorio que puede resultar o en un
exito o en un fracaso (o sea un ensayo de Bernouilli)
Supongamos que:
la proba p de ocurrencia de un exito es muy baja,
pero repetimos una gran cantidad n de veces el experimento
(las repetiociones son independientes)
Cual es la proba de obtener k exitos entre las n repeticiones ?
Si X = cant. de exitos en n repeticiones entonces X ∼ Bin(n, p)
por lo que
 
n k
P(X = k) = p (1 − p)n−k para todo k = 0, · · · , n.
k

problema: como n es muy grande, no se puede calcular n

.


k
Intentemos aproximar P(X = k) cuando n >> 1 y p << 1. Vamos
a suponer que np = Cste . LLamemos λ a esta constante:

np = λ

Luego
    k
n k n λ λ n  λ −k
P(X = k) = p (1 − p) n−k
= 1 − 1 −
k k nk n n

Ahora
n(n − 1)(n − 2) · · · (n − (k − 1))
 
n n!
= =
k k!(n − k)! k!

Entonces juntando el nk con n(n − 1)(n − 2) · · · (n − (k − 1)) y el

λk con el k!, obtenemos
que para cualquier n ≥ k ,

P(X = k)
λk n n − 1 n − 2 n − (k − 1)  λ n  λ −k
= ··· 1− 1−
k! n n n n n n
λk  1  2  k − 1  λ −k  λ n
= 1− 1− ··· 1 − 1− 1−
k! | n n {z n n } | {zn }
n→+∞ n→+∞ −λ
−→ 1 −→ e

Entonces probamos que para todo número entero k vale que

n→+∞ λk
P(obtener k exitos en n repeticiones independientes) −→ e −λ
k!
Resumen

Repetimos en forma independiente n veces (n grande) un mismo

ensayo de Bernouilli en el que la proba p de obtener un exito es
muy baja. Se puede aproximar la proba de obtener k exitos en n
repeticiones por

λk
e −λ donde λ = np.
k!
Se suele considerar esta aproximación buena cuando

n > 30, y p < 0,1

Denición de la distribución de Poisson

Denición
Una variable aleatoria X sigue una distribución de Poisson de
parámetro λ > 0 - lo notamos X ∼ P(λ) - si tiene rango
RX = {0, 1, 2, · · · } y distribución

λk
P(X = k) = e −λ k = 0, 1, 2, · · ·
k!
Por lo anterior podemos decir que cuando n >> 1 y p << 1, se
puede aproximar una binomial Bin(n, p) por una Poisson P(λ) con
λ = np .
Por este motivo se suele usar la distribución de Poisson para
modelizar eventos pocos probables (por ejemplo la cantidad de
errores de tipo en un libro).
También se suele usar una Poisson para modelizar la cantidad de
gente en una cola, de mails en un servidor, de llamadas a un
call-center ... en un cierto lapso de tiempo:
Supongamos que en un intervalito de tiempo ∆t llega un cliente en una
cola con proba λ∆t para algún λ > 0 y que no puede llegar mas de un
cliente en este lapso de tiempo.
Subdividimos el intervalo de tiempo [0, 1] en n intervalos de longitud
∆t = 1/n: [0, ∆t], [∆t, 2∆t], · · · , [(n − 1)∆t, 1].
Llega un cliente en uno de estos intervalitos de tiempo con proba
p = λ∆t = λn . Note que λ = np .
Luego la cantidad X de clientes en una hora es una Bin(n, p) y por lo
que vimos recién,
λk
l
m P(X = k) = e −λ
n→+∞ k!
Entonces tiene sentido modelizar la cantidad de clientes en la cola en una
hora por una va ∼ P(λ).
 k
Sea X ∼ P(λ). Luego P(X = k) = e −λ λk! k = 0, 1, 2, · · ·
Note que

P(X = 0) + P(X = 1) + P(X = 2) + · · ·

 λ2 λ3 
= e −λ 1 + λ + + + ···
2! 3!
= e e =1
−λ λ

como tiene que ser.

Se puede probar que
Proposición
Sea X ∼ P(λ). Entonces E (X ) = Var (X ) = λ.
Prueba de la esperanza

Por def de la esperanza,

X X λk
E (X ) = kP(X = k) = ke −λ
k!
k≥0 k≥0
 λ1 λ2 λ3 λk 
= e −λ +2 +3 + ··· + k
+ ···
1! 2! 3! k!
 λ2 λ 3 λ k 
= e −λ λ + + + ··· + + ···
1 2! (k − 1)!

Sacamos un λ afuera en factor común:

 λ λ2 λk−1 
E (X ) = λe −λ 1 + + + ··· + + · · · = λe −λ e λ = λ
1 2! (k − 1)!
| {z }
=e λ
Suma de dos Poisson

Se puede probar que

Proposición
Si X ∼ P(λ) e Y ∼ P(µ) son independientes entonces

X + Y ∼ P(λ + µ)

ejemplo: supongamos que la cantidadd de adultos y de chicos que

entran en cierta sala de videojuego en una hora son va
independientes con distribución de Poisson de esperanza 20 y 30
respectivamente. Supongamos también que cada adulto gasta $50
y cada chico $30. Cual es la ganancia esperada para la sala en una
hora ?