Distribución de Poisson
-
Upload
julie-arana -
Category
Documents
-
view
2 -
download
0
description
Transcript of Distribución de Poisson
INTRODUCCIÓN
Las cosas más cotidianas, menos esperadas e incluso más sencillas, serían
fácilmente optimizadas con un poco de estadística. Por ejemplo, un bufete jurídico
recibe un promedio de 4 casos por hora. El director sabe este bufete tiene la
capacidad de atender a 6 clientes con sus respectivos casos por hora. Pero…
¿Qué pasaría si el número de casos creciera? ¿Cómo saber cuándo es necesario
hacerse de más practicantes? ¿Cuál es la probabilidad de que dicho bufete sea
insuficiente para atender los clientes que llegan por hora?
La Distribución de Poisson, el tema central de esta investigación, es una
distribución de probabilidad discreta (es decir con elementos finitos), cuya finalidad
es expresar a partir de una frecuencia dada la probabilidad de que ocurra un
determinado número de eventos durante un segmento n de distancia, área,
volumen ó tiempo específico.
1
DESARROLLO
DISTRIBUCIÓN DE POISSON:
La distribución de Poisson es un conjunto de procedimientos descubiertos
por el matemático francés por Siméon Poisson (cuyo apellido curiosamente
significa “Pescado” en francés), quien no se limitó a aportar sólo a la estadística,
sino también a la matemática, electricidad y hasta astronomía.
Esta distribución se basa principalmente en la “medida” en que ocurren
cierto número de eventos, ya sea una medida de longitud, de área, tiempo, etc., la
idea es que mientras esta medida está en funcionamiento ocurre “n cantidad de
eventos”, que es el valor a encontrar.
Por ejemplo, la cantidad de usuarios que entra a un servidor por minuto, o
dicho de otro modo menos complicado, la cantidad de personas que entra a una
página web en un minuto.
Otros ejemplos aplicables podrían ser la cantidad de muertos por día en
cierta ciudad, las mutaciones ocurridas en una cadena de ADN después de ser
expuesta a cierta cantidad de radiación, las probabilidades de obtener ciertos
números de entre las 75 pelotas de bingo, etc., desde casos muy complejos hasta
otros bastante científicos, pero todos con una medida “limitante”, que en los casos
más comunes en ejemplos es el tiempo, una buena limitante.
2
RELACIÓN CON LA DISTRIBUCIÓN BINOMIAL:
La distribución binomial mide el número de éxitos en una secuencia de n
ensayos bernoulli. El número de ensayos es fijo, es por tal razón que el recorrido
de la variable aleatoria va desde 0 hasta n. Cosa que no ocurre en la distribución
de Poisson cuyo recorrido va desde 0 a infinito.
La distribución de Poisson se utiliza para obtener probabilidades de
ocurrencia dentro de un marco continuo (conociendo una tasa de ocurrencia por
unidad de peso, volumen, tiempo, etc.). El recorrido de la variable Poisson va de 0
a infinito, no se limita como la distribución Binomial.
Cuando en una distribución binomial se realiza el experimento muchas
veces, la muestra n es grande y la probabilidad de éxito p en cada ensayo es baja,
es aquí donde aplica el modelo de distribución de Poisson.
Se tiene que cumplir que:
p < 0.10
p * n < 10
Si los parámetros de n y de una distribución binomial tienden a infinito en
n y a 0 en , haciendo a la media con un valor de cero, la distribución limite es la
misma que la de Poisson, es decir es el límite de la distribución binomial.
3
RESOLVER PROBLEMAS CON LA DISTRIBUCIÓN DE POISSON
Para resolver problemas que cumplan las condiciones de la distribución de Poisson se usa la siguiente fórmula:
P ( x=k )= e−λ∗λk
k !
De cual podemos comprender que:
VALORES PRESENTES EN LA FORMULA
k Es el número de veces en que ocurre el evento.
λ
Es el número de veces en que se espera que ocurra el evento.
Debe ser un número positivo. Por ejemplo, sí se espera que un
CD gire 50 veces cada 4 segundos se aplicará así:
λ=50 x 4=200e Constante con valor 2,71828
P ( x=k )Probabilidad de ocurrencia cuando la variable discreta X toma un
valor finito K
Teniendo esto en claro veamos unos ejemplos:
EJEMPLO #1:
La probabilidad de que haya un accidente en una compañía de manufactura es de
0.02 por cada día de trabajo. Si se trabajan 300 días al año, ¿Cuál es la
probabilidad de tener tres accidentes?
SOLUCIÓN:
4
Como se tiene p<0.1, y el producto n*p es menor que 10 (300*0.02=6), entonces
se aplica el modelo de la distribución de Poisson:
P ( x=3 )= e−6∗63
3 !=0.0892
Con ésta información llegamos a la conclusión de que tener 3 accidentes en 300
días de trabajo es del 8.92%.
EJEMPLO #2:
La probabilidad de que un producto salga defectuoso es de 0.012. ¿Cuál es la
probabilidad de que entre 800 productos fabricados 5 hayan salido defectuosos?
SOLUCIÓN:
λ = n * p = 800x0.012=9.6
( x=5 )= e−9.6∗9.65
5 !=0.04602
Con esto llegamos a la conclusión de que la probabilidad de que hayan 5
productos defectuosos entre 800 es de 4.6%
EJEMPLO #3:
5
En un taller se tiene que el 2% de los libros encuadernados tiene encuadernación
defectuosa. Se desea saber la probabilidad de que 5 de 400 libros encuadernados
en este taller tengan encuadernaciones defectuosas usamos la distribución de
Poisson.
SOLUCIÓN:
λ = n * p = 400 * 0.02 = 8
( x=5 )= e−8∗85
5!=0.092
Con base en el anterior resultado podemos llegar a la conclusión de que la
probabilidad de que 5 de 400 libros estén defectuosos es de 9.2%
También podemos hacer uso de la varianza con la fórmula:
Var ( y )= λm
EJEMPLO #4:
6
Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las probabilidades de que reciba, a) cuatro cheques sin fondo en un día dado, b) 10 cheques sin fondos en cualquiera de dos días consecutivos?
SOLUCIÓN:
a) x = variable que nos define el número de cheques sin fondo que llegan al banco en un día cualquiera = 0, 1, 2, 3, ....., etc, etc.l = 6 cheques sin fondo por díae = 2.718
b) x= variable que nos define el número de cheques sin fondo que
llegan al banco en dos días consecutivos = 0, 1, 2, 3, ......, etc., etc.l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos días consecutivosNota: l siempre debe de estar en función de x siempre o dicho de otra forma, debe “hablar” de lo mismo que x.
7
CONCLUSIÓN:
La distribución de Poisson tiene una utilidad en aquellos casos donde el
valor conocido sea la variable discreta que representa el rango en el que los
hechos son llevados a cabo, es decir durante su ejecución los hechos son llevados
a cabo.
La distribución de Poisson es el límite de la distribución Binomial, es decir,
es cuando la distribución Binomial el valor de la media es igual a cero, es la
distribución de Poisson, esta interjección hace posible que en ciertos
procedimientos se utilicen ambos tipos de distribuciones.
8
BIBLIOGRAFIA
1) Wikipedia:
http://es.wikipedia.org/wiki/Distribución_de_Poisson
2) Instituto Tecnológico de Chihuahua
http://www.itch.edu.mx/academic/industrial/sabaticorita/_private/05Distr
%20Poisson.htm
3) Elementos de Probabilidad y estadística
Autor: Juan Ortega Sánchez
4) Guía básica para el estudio de la estadística inferencial
Autor: M.A. José Rafael Aguilera
9
INDICE
INTRODUCCIÓN.............................................................................................................................1
DESARROLLO................................................................................................................................2
DISTRIBUCIÓN DE POISSON:............................................................................................2
RELACIÓN CON LA DISTRIBUCIÓN BINOMIAL:...........................................................3
RESOLVER PROBLEMAS CON LA DISTRIBUCIÓN DE POISSON............................4
CONCLUSIÓN:...............................................................................................................................8
BIBLIOGRAFIA...............................................................................................................................9