Probabilidad y Estadistica

Distribucion de Poisson y distribucion exponencial

INTRODUCCIÓN El presente trabajo tiene como objetivo el
análisis y estudio de dos tipos de distribución como lo
La Probabilidad, como rama de las
es la distribución de Poisson y la distribución
matemáticas que se ocupa de medir o determinar
exponencial, teniendo como finalidad presentar sus
cuantitativamente la posibilidad de que ocurra un características primordiales, calculo de la media, la
determinado suceso está basada en el estudio de la varianza y su desviación estándar.
combinatoria y es fundamento necesario de la
estadística. DISTRIBUCIÓN DE POISSON.

La creación de la probabilidad se atribuye a Consideremos un problema que se puede

los matemáticos franceses del siglo XVII Blaise resolver por medio de la distribución binomial.
Pascal y Pierre de Fermat, aunque algunos Supongamos que inspeccionamos una longitud L de
matemáticos anteriores, como Gerolamo Cardano en alambre de acero esmaltado, para encontrar las
el siglo XVI, habían aportado importantes imperfecciones, que tiene, tales como rebabas,
contribuciones a su desarrollo. La probabilidad rasgaduras, roturas, etc. Supondremos que , para cada
matemática comenzó como un intento de responder a intervalo pequeño de longitud ∆L, la probabilidad de
varias preguntas que surgían en los juegos de azar, una imperfección α. ∆L, donde α(alfa) es una
por ejemplo, saber cuántos dados hay que lanzar para constante que depende de la calidad del alambre, y
que la probabilidad de que salga algún seis supere el ∆L es suficientemente pequeño para que se pueden
50%. despreciar la probabilidad de hallar dos, o más,

La probabilidad de un resultado se representa imperfecciones en dicho intervalo. Nos interesa la

con un número entre 0 y 1, ambos inclusive. La probabilidad de encontrar x imperfecciones en una

longitud L de alambre.
probabilidad 0 indica que el resultado no ocurrirá
nunca, y la probabilidad 1, que el resultado ocurrirá
Supongamos que hay n intervalos de longitud
siempre.
∆L, esto es, n. ∆L, y además que la presencia de una
El cálculo matemático de probabilidades se
imperfección en cualquier intervalo dado, es
basa en situaciones teóricas en las cuales puede
independiente de la presencia de imperfecciones en
configurarse un espacio muestral cuyos sucesos cualquiera de los otros intervalos. Podemos
elementales tengan todos la misma probabilidad. Por considerar, entonces, que los n intervalos forman una
ejemplo, al lanzar un dado ideal, la probabilidad de succión de n pruebas independientes con una
cada una de las caras es 1/6. Al lanzar dos dados, la probabilidad constante α. ∆L de que se presente una
probabilidad de cada uno de los resultados es 1/36. imperfección en cualquiera de las pruebas. Se deduce
en consecuencia que la probabilidad de hallar x longitud L del alambre del tipo considerado, y
imperfecciones en una longitud n. ∆L de alambre es corresponde a la familia de las llamadas
b (x; n, α. ∆L)= DISTRIBUCIONES DE POISSON. Sustituyendo

⎛ n⎞ αL por el parámetro único λ, la ecuación general de

⎜⎜ ⎟⎟ (α ∆L) x (1 - α ∆L) n − x para x = 0, 1, ..., n .
⎝ x⎠ una Distribución de Poisson es

Como la hipótesis de que sea despreciable la −λ λx

f ( x; λ ) = e para x = 0, 1, 2, ...
x!
probabilidad de encontrar más de una imperfección
Como esta distribución se define sobre un
por intervalo, sólo es aceptable si ∆L es muy
espacio muestral infinito numerable, es evidente, por
pequeño, hallemos ahora el límite al que se aproxima
la forma como se introduce que poniendo λ= np, nos
la probabilidad anteriormente indicada
dará una buena aproximación de la distribución
cuando ∆L → 0 . este nos dará la probabilidad
binomial cuando n es grande y p pequeña.
buscada de encontrar x imperfecciones en una
longitud L de alambre considerado.
EJEMPLO 1:
Comparemos b(2; 100; 0.05) con f(2;5), donde
L
Sustituyendo por ∆L y simplificando la λ= np= 100(0.05) = 5.
n
expresión resultante para Sustituyendo en las expresiones correspondientes,
tenemos

b(x; n, α. ∆L), obtenemos: ⎛100 ⎞

b(2;100,0.05) = ⎜⎜ ⎟⎟(0.05) 2 (0.95) 98 = 0.081
n! ⎛ αL ⎞
x
⎛ αL ⎞
n− x
⎝2 ⎠
b( x; n, α ∆L) = ⎜ ⎟ ⎜1 − ⎟
x!(n - x)! ⎝ n ⎠ ⎝ n ⎠ 52
f (2;5) = e −5 = 0.084
n(n − 1)(n − 2).....(n − x + 1) ⎛ αL ⎞
n− x
2!
b( x; n, α ∆L) = (αL) x ⎜1 - ⎟
x!n ⎝ n ⎠
x

⎛ 1 ⎞⎛ 2 ⎞ ⎛ x - 1 ⎞ y es interesante notar que el error es menor que

⎜1 - ⎟⎜1 - ⎟....⎜1 - ⎟ n− x
n ⎠⎝ n ⎠ ⎝ n ⎠ ⎛ αL ⎞
b( x; n, α ∆L) = ⎝ (αL) x ⎜1 - ⎟
x! ⎝ n ⎠ 0.003. una regla práctica aceptable es usar la
si ahora hacemos n → ∞, obtenemos distribución de poisson para hallar probabilidades
⎛ 1 ⎞⎛ 2 ⎞ ⎛ x - 1 ⎞
⎜1 - ⎟⎜1 - ⎟....⎜1 - ⎟→1 binomiales si n≥20 y p≤0.05.(si n≥100, la
⎝ n ⎠⎝ n ⎠ ⎝ n ⎠
esto aproximación es excelente, mientras sea np≤10).
αL
⎛ αL ⎞ ⎡⎛ αL ⎞ nαL ⎤ ⎛
n− x
αL ⎞
−x
−αL
⎜1 − ⎟ = ⎢⎜1 - ⎟ ⎥ ⎜1 - ⎟ →e
⎝ n ⎠ ⎢⎣⎝ n ⎠ ⎥ ⎝
⎦
n ⎠ DEFINICIÓN FORMAL DE LA DISTRIBUCIÓN
y, por lo tanto, la probabilidad binomial se aproxima a DE POISSON.
-αL
e (αL) x
para x = 0, 1, 2, ...
x!
Sea X una variable aleatoria discreta que
puede tomar los valores 0,1,2,.. tal que la función de
Esta es la distribución de probabilidad que probabilidad de X esté dada por:
buscamos de obtener x imperfecciones en una
 λx e −λ Media µ =λ
f ( x) = P( X = x) = para x = 0, 1, 2 ,....
x!
Varianza σ2 =λ
donde λ es una constante positiva dada. Esta
Desviación típica σ= λ
distribución se llama Distribución de Poisson (en
memoria de S.D. Poisson, quien la descubrió a Coeficiente de sesgo α3 = 1
λ
principios del siglo XIX) y una variable aleatoria con
Coeficiente de curtosis α 4 = 3 + (1 + 1 λ )
esta distribución se dice que está distribuida con la
Función generatriz de M (t ) = e λ ( e −1)
t

distribución de Poisson.
momentos
Los valores de f(x) en la ecuación pueden
obtenerse usando la siguiente tabla, que da los valores Función característica φ ( w) = e λ ( e
tw
-1)

de e − λ para diferentes valores de λ , o utilizando La media y la varianza de la distribución de

logaritmos. Poisson p(x;λt) tiene el valor λt.
Para verificar que en realidad la media tenga
PROPIEDADES DE LA DISTRIBUCIÓN DE ese valor , podemos escribir:
POISSON. ∞
e−µ µ x ∞ e−µ µ x ∞
e − µ µ x −1
E ( X ) = ∑ x. ∑ x. = µ∑
x =0 x! x =1 x! x =1 ( x − 1)!

ahora bien, sea y = x - 1 lo que da

1. El número de resultados que ocurren en un ∞
e −µ µ y
E(X) = µ ∑ =µ
y!
intervalo o región especifica es independiente y =0

puesto que
del número que ocurre en cualquier otro ∞
e −µ µ y ∞ p ( y, µ ) = 1

∑ y!
=∑
intervalo o región del especio disjunto. De y =0 y =0

la varianza de la distribución de Poisson se obtiene al encontra primero

esta forma vemos que el proceso de Poisson ∞
e −µ µ x ∞
e −µ µ x ∞
e −µ µ x−2
E[X(X - 1)] = ∑ x.( x − 1) = ∑ x.( x − 1) = µ2∑
no tiene memoria. x =0 x! x =2 x! x = 2 ( x − 2)!

al hacer y = x - 2, tenemos
2. La probabilidad de que ocurra un solo ∞
e −µ µ y
E[X(X - 1)] = µ 2 ∑ = µ2
resultado durante un intervalo muy corto o en x=2 y!
de aquí :
una región pequeña es proporcional a la σ 2 = E[X(X - 1)] + µ − µ 2 = µ 2 + µ − µ 2 = µ = λt.
longitud del intervalo o al tamaño de la región
y no depende del número de resultados que EJEMPLOS:
ocurren fuera de este intervalo o región. 1. Durante un experimento de laboratorio el
3. La probabilidad de que ocurre más de un número promedio de partículas radioactivas que
resultado en tal intervalo corto o que caiga en pasan a través de un contador de un milisegundo es
tal región pequeña es insignificante. cuatro. ¿Cuál es la probabilidad de que seis
partículas entren al contador en un milisegundo
dado?
Solución:
al usar la distribución de Poisson con x = 6 y λt = 4 el siguiente teorema y corolario dan la media, la
e -4 4 6 6 5
varianza y la desviación estándar de la distribución
p(6;4) = = ∑ p( x;4) − ∑ p ( x;4) = 0.8893 − 0.7851 = 0.1042
6! x =0 x =0 exponencial
µ=β
2. El número promedio de camiones tanque que
σ2 = β2
llega cada día a cierta ciudad portuaria es 10. Las σ =β
instalaciones en el puerto pueden manejar a lo más 15
camiones tanque por día. ¿cuál es la probabilidad de
APLICACIONES DE LA DISTRIBUCIÓN
que en un día dado los camiones se tengan que
EXPONENCIAL
regresar?.
Solución: Ejemplo 1:
Sea X el número de camiones tanque que
Suponga que un sistema contiene cierto tipo de
llegan
componente cuyos tiempo de falla en años está dada
Al usar la distribución de Poisson desde x=0 a
por T. La variable aleatoria T se modela bien
x=15 y encontrando el complementario tenemos el
mediante la distribución exponencial con tiempo
resultado:
medio para la falla ß=5. Si se instalan cinco de estos
componentes en diferentes sistemas. ¿Cuál es la
15
e −10 .10 X
15
p(x;10) = ∑ p ( x;4) = ∑ = 0.95 probabilidad de que al menos dos aún funcionen al
x =0 x =0 X!
final de ocho años?
Solución:
p=0.95 representa la probabilidad de recibir de 0 a 15
La probabilidad de que un componente dado aún
camiones, es decir, no rebasa la capacidad de las
funcione después de ocho años está dada por:
instalaciones. El complementario p’=0.05 es la
1 ∞ −t 5
probabilidad de rebasar la capacidad, es decir, de P(T>8)=
5 ∫8
e dt = e −8 5 = 0.2
devolver camiones.
CONCLUSION

DISTRIBUCIÓN EXPONENCIAL
En el estudio de la probabilidad,
específicamente de las distribuciones binomiales,
La variable aleatoria continua X tiene una
podemos encontrar diversas formas de distribución,
distribución exponencial, con parámetro ß, si su
dependiendo de las características de los valores
función de densidad está dada por:
estudiados.
⎧ 1 −x β ⎫
⎪ e , x>0 ⎪
f ( x) = ⎨ β ⎬
⎪0 en cualquier otro caso⎪⎭ Para la distribución de Poisson se plantea una
⎩
donde β > 0 probabilidad de un hecho a partir de un valor
promedio conocido, estudiado previamente y de un
dato a evaluar.

Igualmente se puede realizar con la

distribución exponencial, aunque esta expresión esta
en función de un valor exponencial.

FUENTES CONSULTADAS

’ WALPOLE, Meyers. Probabilidad y

estadística. 6° edición.
’ Enciclopedia Encarta 2001. Microsoft
Corporation.