P. 1
4.0 DISTRIBUCION DE POISSON.ppt

4.0 DISTRIBUCION DE POISSON.ppt

|Views: 518|Likes:

More info:

Published by: Andrz De La Fuente Vigil on May 03, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PPT, PDF, TXT or read online from Scribd
See more
See less

08/18/2015

pdf

text

original

Diapositiva 1

6-30
Poisson como Aproximación de la Binomial
La distribución de probabilidades binomial se hace cada
vez más sesgada a la derecha conforme la probabilidad de
éxitos disminuye.
La forma límite de la distribución binomial donde la
probabilidad de éxito p es muy pequeña y n es grande, se
llama:

Distribución de probabilidades de Poisson.

Proceso de Poisson: Consiste en observar la ocurrencia de
eventos discretos en un intervalo continuo (unidad de
medida).

TÉCNICAS DECISIONALES
Luis Zapatel Arriaga.
Diapositiva 2
Distribución de Poisson
Permite determinar la probabilidad de la ocurrencia de un
número dado de éxitos por unidad de medición (minuto,
hora, centímetro, metro, cuadrado, etc.)
Diapositiva 3
Distribución de Poisson
Las ocurrencias de un evento pueden ser descritas en términos
de una variable aleatoria discreta.
Existe un régimen que caracteriza el proceso (número de
ocurrencias por intervalo de tiempo o espacio).
Se usa para describir las distribuciones de probabilidad de:
 Errores en la captura de datos.
 Número de ralladuras u otras imperfecciones en autos.
 Demanda de productos o de servicios.
 Número de clientes en espera de servicio.
 Número de llamadas telefónicas en una central.
 Número de accidentes.
 Número de llegadas de vehículos.
 Número de defectos observados en longitudes, superficies, u
objetos.
Diapositiva 4
Características de la
Distribución de Poisson
 La probabilidad de que exactamente una ocurrencia se
presente en cada sub-intervalo de tiempo o espacio es muy
pequeña y es constante para cada sub-intervalo.
 La probabilidad de que se presenten dos o más ocurrencias en
un sub-intervalo es tan pequeña que puede ser considerada
cero.
 El número de ocurrencias que se presentan en un sub-intervalo
no depende de donde esté localizado dicho sub-intervalo.
 El número de ocurrencias que se presenten en un sub-intervalo
no depende del número de ocurrencias de cualquier otro sub-
intervalo.
Diapositiva 5
Probabilidad en una
Distribución de Poisson
n 2,..., 1, 0, x para Si = = = ) ( ) ( x X P x f
!
) (
x
e
x X P
x
ì
ì ÷
= =
 λ = promedio de ocurrencias en t unidades de medida
 e = 2.71828 Base de logaritmos neperianos o naturales.
PROBABILIDAD QUE SE VA A CALCULAR PARA UN
VALOR DADO DE “ X “
NUMERO DE
OCURRENCIAS

Diapositiva 6
Distribución de Poisson como una
aproximación de la Distribución Binomial
 La distribución de Poisson es una buena aproximación
de la distribución binomial cuando n es igual o mayor
que 20 y p es igual o menor a 0.05.
np = ì
!
) (
) (
x
np e
x f
x np ÷
=
Diapositiva 7
Distribución de Poisson
 El número medio de éxitos se puede determinar por:
np = = ì µ
6-32
 La varianza de la distribución de Poisson es:
np = = ì o
2
donde n es el número de ensayos y
p la probabilidad de éxito.
Diapositiva 8
EJEMPLO 1
 El policlínico de La Victoria Nueva se especializa en el cuidado de lesiones
menores, resfriados y gripe. En las horas de la tarde de 6-10 PM el número
medio de llegadas es 3.0 por hora.
 ¿Cuál es la probabilidad de que 4 pacientes lleguen en una hora?
 ¿Cuál es la probabilidad de que como máximo se den 2 llegadas en una hora?
 ¿Cuál es la probabilidad de que lleguen al menos 3 pacientes en una hora?
1680 . 0
! 4
3
) 4 (
4 3
= = =
÷
e
X P
6-33
3
1 :
= ì
hora t
Experimento: Analizar el número de llegadas en 1 hora
X: Número de llegadas en 1 hora
X:0.1,2,3,4,……
= s ) 2 (X P
= > ) 3 (X P
Diapositiva 9
EJEMPLO 2
 Los clientes llegan a la ventanilla del BCP a un
régimen de 24 por hora.
 ¿Cuál es la probabilidad de que 20 clientes lleguen en 60
minutos?
 ¿Cuál es la probabilidad de que 9 clientes lleguen en un
lapso de 22 minutos?
062 . 0
! 20
24
) 20 (
20 24
= = =
÷
e
X P
6-33
24 ; 1 : = ì hora t
Experimento: Analizar el número de clientes por hora
X: Número de clientes por hora
X:0.1,2,3,4,……
= ÷
= ÷ =
ì
ì
min 22 :
24 min 60 1 :
t
hora t
1314 . 0
! 9
8 . 8
) 9 (
9 8 . 8
= = =
÷
e
X P
Diapositiva 10
EJEMPLO 3
 Supongamos que se está interesado en la
probabilidad de que exactamente 5 clientes
lleguen a Plaza Vea lleguen durante la
siguiente hora (o en cualquier hora dada)
laboral. La observación simple de la últimas
80 horas ha demostrado que 800 clientes
han entrado al negocio.
0378 . 0
! 5
10
) 5 (
5 10
= = =
÷
e
X P
=
=
ì
ì


; 1 :
800 ; 80 :
hora t
clientes horas t
Diapositiva 11
Si un banco recibe en promedio de 6 cheques sin fondo
por día ¿Cuál es la probabilidad de que reciba 4
cheques sin fondo por día?

ì = 6 cheques sin fondo por día.
e = 2.718

P (x = 4; ì = 6) = (2.718)
-6
(6)
4
= 0.13392
4!
EJEMPLO 4
Diapositiva 12
EJEMPLO 5
La probabilidad de tener un accidente de tráfico cada vez que
se viaja es de 0,02, si se realizan 300 viajes, ¿Cuál es la
probabilidad de tener 3 accidentes?

Como la probabilidad de que ocurra un accidente p = 0.02 < 0,05, y n =300 > 20,
entonces aplicamos el modelo de distribución de Poisson.
( )( ) 6 02 . 0 300 = = = np ì
0892 . 0
! 3
6
) 3 (
3 6
= = =
÷
e
X P
Por lo tanto, la probabilidad de tener 3
accidentes de tráfico en 300 viajes es
del 8,9%
Diapositiva 13
En la edificación de cada conjunto habitacional del programa Mi vivienda la
probabilidad de que un trabajador tenga un accidente es de es de 0,012. ¿Si se
realizan 800 conjuntos habitacionales, Cuál es la probabilidad de que
sucedan 5 accidentes?

La probabilidad de que un trabajador sufra un accidente es p = 0.012 < 0,05, y
n =800 > 20, entonces aplicamos el modelo de distribución de Poisson.
EJEMPLO 6
Por lo tanto, la probabilidad de que ocurran 5 accidentes
en 800 construcciones es del 4,6%.

( )( ) 6 . 9 012 . 0 800 = = = np ì
046 . 0
! 5
6 . 9
) 5 (
5 6 . 9
= = =
÷
e
X P
Diapositiva 14
RECOMENDACIONES PRÁCTICAS:

•Frente a un problema concreto, analice detenidamente todas sus
características, y al elegir el modelo apropiado, verifique que se
cumplan todos los supuestos del mismo.

•No olvide emplear la distribución de Poisson a la binomial en
aquellos casos en que p es pequeño y n es grande.

•En el caso de variables aleatorias discretas, es importante
diferenciar si la probabilidad deseada incluye o no el valor
particular de la variable. Es decir, que P(X > x) no es lo mismo que
P(X > x) y P (X < x) es distinto de P(X < x).

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->