Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Introducción
El presente ensayo abordará uno de los ejemplos estructurados que se basan en procesos
estocásticos que nos ayudara a entender de mejor manera este tema, y como se puede aplicar
dentro de la resolución o simulación de diversos problemas de la vida real que a simple vista
pareciesen complejos y únicamente aplicables en situaciones irreales o que no son muy
comunes, pero en realidad encontramos casos de procesos estocásticos en nuestro día a día.
Antes de hablar acerca del ejemplo estructurado, se tendrá que conocer lo que es un proceso
estocástico y para ello a su vez es importante tener clara la importancia de la aleatoriedad, la
cual, se asocia a todo proceso cuyo resultado no es previsible más que en razón de la
intervención del azar, si queremos usar la aleatoriedad en nuestros modelos matemáticos
deberemos hacer uso de números aleatorios, que son obtenidos al azar y, por lo tanto, tienen
la misma probabilidad de ser elegidos y la selección de uno no afectara la selección de otro. El
ejemplo clásico más utilizado para generar números aleatorios es el lanzamiento repetitivo de
una moneda o dado ideal no trucado.
La utilidad de los números aleatorios consiste en permitir que nuestros modelos matemáticos
representen la realidad, dado que, nosotros los seres humanos tenemos un comportamiento
aleatorio, así como nuestro entorno, tiene sentido que al momento de predecir el
comportamiento de un sistema de la vida real recurramos al uso de la estadística y la
simulación, por medio de herramientas predictivas que actúen como lo hace el mundo real, es
decir de forma aleatoria. Teniéndose clara la definición de aleatoriedad y de los números
aleatorios se vuelve más fácil comprender lo que es un proceso estocástico, al ser un conjunto
de variables aleatorias que dependen de un parámetro o de un argumento, el cual es
generalmente el tiempo, en otras palabras, un proceso estocástico es una familia de variables
aleatorias dependientes del tiempo.
Definición
Además, se nos presentan dos características de esta distribución, la primera nos dice que
mientras más grande sea el intervalo, mayor será la probabilidad y el segundo nos explica que
los intervalos serán independientes, por lo tanto, el número de veces que se presenta un
evento en un intervalo no influye en el resto de los intervalos.
Podrimos comparar las características mencionadas anteriormente con las dichas por Badii, M.
H. y J. Castillo, que mencionan que las características son:
Podemos inferir que las características nos mencionan lo mismo, solamente que se adiciona
información acerca de que teóricamente es posible un número infinito de ocurrencias del
evento en el intervalo, asimismo existe una particularidad dentro de esta distribución y es el
hecho de que la media y la varianza son iguales.
e−λ λ x
P ( x ) =f ( x )=
x!
Donde:
Distribución de Poisson
μ x e−μ
P ( x) =
x!
donde:
μ (mu) es la media de la cantidad de veces (éxitos) que se presenta un evento en un intervalo
particular;
μ=nπ
Ejercicios de la distribución de Poisson
Ahora bien, es momento de resolver algunos problemas donde podamos poner en práctica el
uso de la distribución de Poisson y se refuerce el conocimiento teórico.
Solución: En este ejemplo λ=3 que es igual al valor promedio de ocurrencia en la población y
x=2como una variable aleatoria discreta. La probabilidad de ocurrencia se calcula como:
e−3 32 (0.05∗9)
P ( x=2 )=f (2 )= = =0.225
2! 2∗1
e−3 30 (0.050∗1)
f ( x )= = =0.05
0! 1
Dado que los dos eventos son mutuamente exclusivos se usa la regla de adición:
Para los casos en que se desea obtener la probabilidad de ocurrencia de x o menos frecuencias
el evento en cuestión que tiene el número promedio de ocurrencias igual a λ se debe utilizar la
tabla de distribución de Poisson hecha exclusivamente para estos casos.
Ejercicio 2. En el estudio de cierto organismo acuático se tomaron un gran número de
muestras de un estanque y se contó el número promedio de organismos igual a dos. Encuentre
la probabilidad de que:
Solución: La sumaria de todas las posibles situaciones que se puedan presentar es igual a uno;
por lo tanto, si se desea obtener la probabilidad de que la muestra tenga uno o más
organismos, solo necesito restarle a uno la probabilidad de que obtenga 0 organismos. Es
decir, P ( x ≥ 1 )=1−P ( x=0 ) . En la tabla de distribución acumulada de Poisson se ve que
cuando λ=2 la probabilidad de que x=0 es 0.135, por lo tanto P ( x ≥ 1 )=1−0.135=0.865.
Nótese que x es normalmente pequeño en la práctica; teóricamente podría ser muy grande,
sin límite. Por lo tanto, la variable aleatoria de Poisson es un ejemplo de variable aleatoria
discreta que puede tomar un número infinito (pero contable) de valores.
En la tabla de Poisson se tienen los mismos resultados que si hiciéramos los cálculos, pero nos
evitamos el trabajo tedioso. Por ejemplo, los registros indican el número promedio de
accidentes en un crucero es igual a 5 accidentes mensuales. Si deseamos calcular la
probabilidad de que cualquier mes ocurran 4 accidentes. Podemos utilizar la tabla de Poisson
para evitar el tener que calcular e elevadas a potencias negativas. Aplicando la fórmula:
λ x∗e−λ
P ( x) =
x!
(5)x ∗e−λ
P ( 4 )= =0.17552
4!
Para utilizar esta tabla, todo lo que necesitamos saber son los valores de x y λ (Lambda), en
este ejemplo 4 y 5, respectivamente. Ahora busque en la tabla, primero encuentre la columna
cuyo encabezado es 5; luego recórrala hacia abajo hasta que esté a la altura del 4 y lea la
respuesta directamente, 0.1755. [3]
Conclusiones
Se logró el objetivo de investigar la distribución de Poisson para así, exponerla de manera más
detallada, a si también el cómo funciona, donde puede ser aplicada y la presentación de
algunos ejemplos en donde poner en práctica el conocimiento teórico.
Al realizar una investigación en varias fuentes de información se evidenció una gran similitud
de los autores al tratar el tema de la distribución de Poisson, solamente con algunas
diferencias con respecto a los símbolos empleados en las fórmulas y de la forma de expresar
las características que posee.
La distribución de Poisson nos ayuda a modelar situaciones donde los sucesos son
impredecibles o de ocurrencia, antes de ser aplicada se debe verificar que se cumplan ciertos
supuestos, las cuales son las características propias de esta distribución.
El mundo real funciona de manera aleatoria, por ende, al momento de realizar un modelo de
un sistema de la vida real, y de simular su comportamiento podemos inferir a partir de datos
estadísticos, y para lograr una mejor aproximación a la realidad nuestra herramienta predictiva
debe funcionar de manera similar: aleatoriamente, de esa necesidad surgieron los modelos de
simulación.
La simulación es una potente herramienta que nos ayuda a modelar un sistema del mundo real
para estudiar su comportamiento con base en variables que son agrupadas en estados que son
modificados por eventos, al estar hablando de un proceso estocástico debemos tener claro
que su comportamiento es no-determinístico. Esto significa que el estado subsecuente del
sistema se determina tanto por las acciones predecibles del proceso, como por un elemento
aleatorio.
Referencias Bibliográficas