Introducción a los Modelos

Estocásticos
2020-1
Poisson

Introducción

Desarrollo

Ejercicios resueltos

Ejercicios propuestos

Conclusiones
Objetivos

01 Distribución poisson, calculo de la probabilidad bruta y

acumulada

Propiedades de la distribución: olvido, independencia,

02 proporcionalidad y adición.

Resolver problemas propuesto.

03
Probabilidades y árboles de
decisión
Distribución Poisson
Modelos de
distribución de
Poisson
Las llegadas de pacientes a UCI, la
entrada de las demandas judiciales a las
salas penales, las llegadas de huéspedes
a un motel o los clientes a una
peluquería (siempre que no sean
programados), son eventos discretos
que ocurren de manera aleatoria.

Simeon Denis Poisson en 1838

desarrolló un modelo que permite
estimar la probabilidad que ocurra un
cierto número de eventos (X) en un
intervalo de tiempo (T). Esto a partir de
conocer su comportamiento histórico (λ)
Modelos de
distribución de
Poisson
La mencionada distribución debe su nombre a Siméon
Denis Poisson (1781-1840), probabilista francés quien
fue el primero en describirla en 1837. Se trata de una
distribución discreta de probabilidad muy útil, en la cual
la variable aleatoria representa el número de eventos
independientes que ocurren a una velocidad constante.
Considerando un intervalo de tiempo determinado,
sirven de ejemplos el número de personas que llegan a
un mercado, el número de llamadas telefónicas que se
reciben en una central de teléfonos, el número de
defectos en piezas similares en un proceso productivo, el
número de bacterias presentes en un cultivo, entre
otros.

Cruz-Ramírez, Miguel, Álvarez-Reyes, Salvador Eladio, & Pérez-Santos, Francisco Javier. (2014). Sobre la Enseñanza de
la Distribución de Poisson en Carreras de Ingeniería*. Bolema: Boletim de Educação Matemática, 28(50), 1117-1134.
https://dx.doi.org/10.1590/1980-4415v28n50a06
Modelo Poisson: probabilidad bruta y acumulada
Un proceso de llegadas aleatorias, se puede a La probabilidad acumulada se expresa como la
modelar como una distribución discreta Poisson. sumatoria de cada evento posible.

P(X=2)= [Probabilidad bruta]

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

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

P(X>2)= 1 - [P(X=<2)]
Donde P(x), representa la probabilidad bruta de
“X” llegadas, y P(X>=2)= 1 - [P(X<2)]

e = 2.71828 (número de Euler).

Caso: Llegada de buses aleatoria
Una estación de buses es representada como un
proceso de llegadas, del que por experiencias
pasadas se le conoce una media o promedio de
llegadas por hora, igual a 2 e identificado por
λ=2.

Asimismo estas llegadas son aleatorias; quiere

decir que pueden llegar los buses juntos, uno
detrás del otro, de manera distribuida, o cualquier
otra.

Representamos la cantidad de buses que llegan

en 1 hora, a través de la variable aleatoria X
Probabilidad de Llegadas en 1 hora P(x)

Por ejemplo; La probabilidad que lleguen 0 autos en 1 hora; es decir P(X=0) resulta igual a 0,1353. Esto se obtiene
utilizando la formula 《《 P(X) = e-λ.λX / X! 》》
Practica!
Sea 𝝺 = 2 buses /hora, aplicar Y escoger la repuesta
la fórmula: correcta,

a) P(X=0); a) 0,2707;
b) P(X=1); b) 0,5940;
c) P(X<2) = P(0)+P(1); c) 0,1353;
d) P(X>=2)=1-P(X<2); d) 0,4060;

Además, calcular:

e) P(X=3) https://stattrek.com/online-calculator/poisson.aspx
f) P(X>3)
Propiedad de
Pérdida de
Memoria
(Independencia de Eventos)
Valor esperado ( 𝛌=2)

El número esperado de buses por hora es

igual Lambda λ, ósea igual a 2.
Eso no resta a decir que
podrían venir 0, 1 o más de 2
buses, con cierta probabilidad.

Periodo: T 01 hora T+1

 Pérdida de memoria
Seguimos con el mismo caso del bus,
Entre las 7.00 y las 8.00, no donde 𝝺=2.
llegó ningún bus 😭
Para un observador que se ubicará en
la estación a las 7:00 am, la Prob (X
Pero eso no importa (pierdo = 2), sería igual a 0,2707
Siendo las 7.00 am, tengo la
memoria). Tengo la esperanza
esperanza de que lleguen 2
que lleguen 2 buses en una hora. Ocurre que si durante la primera
buses en una hora. hora, no pasó “ningún” bus, esta
ausencia (o retraso), no afectará la
probabilidad para la siguiente hora,

Quiere decir que para el mismo

observador la Prob (X = 2), seguirá
siendo 0,2707, a pesar wue la hora
anterior no llegó buses.

A esta “particularidad” del modelo se

le conoce como propiedad de “pérdida
de memoria”
7:00 am 8:00 am 9:00 am
 Efecto perdida de memoria

Entre las 7.00 a 8.00, Entre las 8.00 y 9.00 llegó 1 Cuál es el valor esperado de
llegaron 2 buses bus buses entre las 9.00 a 10.00

a) 3
b) 1
c) 2

7:00 am 8:00 am 9:00 am

 Eventos independientes
La propiedad de “pérdida de
memoria” nos precisa que los
eventos (ósea la llegada de
buses) son independientes de
periodo a periodo.
Entre las 7.00 a 8.00, Entre las 8.00 y 9.00 llegó 1
llegaron 2 buses bus Por ello, Si tenemos un evento

A = la llegada de DOS buses

entre las 7:00 y 8:00 am; y otro
evento

B = la llegada de UN bus entre las

8:00 y 9:00 am, la probabilidad
que ambos eventos ocurran (se
entiende uno detrás de otro), se
debe expresar así.

P(B/A) = P(A) . P(B)

7:00 am 8:00 am 9:00 am

Practica!
Sea 𝝺 = 2 buses /hora, aplicar Y escoger el planteamiento
la fórmula: correcto:

a) Un pasajero registró que a) P(X=0)*P(X=4).

durante la primera hora no
llegó ningún bus. ¿Cuál es la
probabilidad que lleguen 4 b) P(X=4);
buses la próxima hora?
b) ¿Cuál es la probabilidad que
en la primera hora no llegué
ningún bus, y que en la
segunda hora lleguen 4?.
Propiedad de
proporcionalidad
 Proporcionalidad
Seguimos con el mismo caso del bus,
donde 𝝺=2.
Si fraccionamos o ampliamos el
tiempo del evento, la media
(esperanza), aumentará o disminuira
Siendo las 8.00 am, tengo la en esa proporción.
Siendo las 7.00 am, tengo la
esperanza que llegue 1 bus en
esperanza que lleguen 2 buses
una media hora. 𝝺t=1
en una hora. 𝝺=2
Siendo las 8.30 am, tengo la
esperanza que llegue 4 buses
en dos horas. 𝝺t=4

7:00 am 8:00 am 8:30 am 10:30 am

Practica!
Sea 𝝺 = 2 buses /hora, aplicar Y escoger el planteamiento
la fórmula: correcto:

a) ¿Cuál es la probabilidad que

no llegue ningún bus durante
a) e-[0,5.λ].[0,5.λ]0 / 0!
la primera media hora?
b) ¿Cuál es la probabilidad que
lleguen 5 buses las próximas
b) e-[2λ].[2λ]5 / 5!
dos horas?
Desarrollar caso
“suerte de fútbol”
 Caso fútbol [antes del partido]

Se enfrentan el Real Madrid y el Real Betis

por la 25va fecha de la liga española.
Suponga que el número de goles que
marca un equipo de fútbol puede ser
descrito por un proceso de Poisson.
Asimismo, considere que la capacidad
para hacer “goles” por parte de los
equipos, son procesos independientes, y
que esta no se ve influenciada por la
localia:
Preguntas: Tasa λA = 3 Tasa λB = 2
¿Cuál es la probabilidad que RM gane?
¿Cuál es la probabilidad que RB gane?
goles/partido goles/partido
¿Cuál es la probabilidad que exista un
empate?
Planteamiento (Real Madrid Gana)

Real Madrid Lambda=3 Real Betis Lambda=2 P(X).P(Y)

X (goles) P(X) Y (goles) P(Y)

1 0,1494 0 0,1353 2,02%

2 0

2 1

...

10 0,0008 9 0,0001 0,00%

 Caso fútbol [a medio tiempo]

A transcurrido el primer tiempo, y contra

todo pronóstico, Real Betis empata cero a
cero con Real Madrid en el mismo
Bernabeu.
¿Cuál es la probabilidad que RM gane?
¿Cuál es la probabilidad que RB gane?
¿Cuál es la probabilidad que exista un
empate?

Tasa λA = 3 Tasa λB = 2
goles/partido goles/partido
 Caso fútbol [a remontar]

Evalúa esta nueva opción.

A transcurrido el primer tiempo, y contra
todo pronóstico, Real Betis vence uno a
cero al Real Madrid en el mismo Bernabeu.
¿Cuál es la probabilidad que RM gane?
¿Cuál es la probabilidad que RB gane?
¿Cuál es la probabilidad que exista un
empate?

Tasa λA = 3 Tasa λB = 2
goles/partido goles/partido
Teorema de
Adición
(Independencia de Eventos)
Teorema de Adición
Sean 2 (o más) eventos discretos independientes entre si y aleatorios: A y B, que
ocurren en paralelo con parámetro λA y λB.

La probabilidad que ocurra un evento Z donde se integre a A y B a la vez; es decir Z

= A + B; entonces: 《 λZ=λA+λB 》
Caso: Llegada de grupo a Heladería
A una heladería, en la que trabaja un solo heladero, llegan grupos de clientes según
un proceso de Poisson de tasa 10 [grupos/hora]. Un grupo puede estar compuesto
por 1 persona, 2 personas o 3 personas, con probabilidad 0.10, 0.60 y 0.30,
respectivamente.
La heladería abre a las 10 horas y cierra a las 20 horas. El tiempo de atención es
despreciable. Todos los clientes que entran a la heladería compran exactamente un
helado.
λ1 = λGrupo1 = 0,1 x 10 = 1 grupo/hora
λ2 = λGrupo2 = 0,6 x 10 = 6 grupo/hora
λ3 = λGrupo3 = 0,3 x 10 = 3 grupo/hora
λ = λGrupo1 + λGrupo2+ λGrupo3 = 10 grupo/hora
Caso Llegada de grupo a Heladería
a) La Probabilidad que lleguen 15 b) No lleguen grupos de un solo
grupos de personas entre las 11 y integrante entre las 10 y las 12 horas.
las 12 horas.

P(X=15) = e-λ.λX / X! P(X=0) = e-2λ1.[2λ1]0 / 0!

λ = 10 2λGrupo1 = 2

P(X=15) = e-10.1015 / 15! P(X=0) = e-2.[2]0 / 0!

Caso: Llegada de grupo a Heladería
c) Lleguen exclusivamente dos d) Se hayan vendido exactamente 3
parejas entre las 10 y 11 horas. helados entre las 16 y 17 horas.

0 @Grupo1 ^ 2 @Grupo2 ^ 0 @Grupo3 + 3 @Grupo1 ^ 0 @Grupo2 ^ 0 @Grupo3 +

2 @Grupo1 ^ 1 @Grupo2 ^ 0 @Grupo3 +
e-λ1.[λ1]0 / 0! * e-λ2.[λ2]2 / 2! * e-λ3.[λ3]0 / 0! 0 @Grupo1 ^ 0 @Grupo2 ^ 1 @Grupo3 =

e-λ1.[λ1]3 / 3! * e-λ2.[λ2]0 / 0! * e-λ3.[λ3]0 / 0! +

= ¿? e-λ1.[λ1]1 / 1! * e-λ2.[λ2]1 / 1! * e-λ3.[λ3]0 / 0! +
e-λ1.[λ1]0 / 0! * e-λ2.[λ2]0 / 0! * e-λ3.[λ3]1 / 1! =

=¿?
Caso: Llegada de clientes
Los clientes que entran a una tienda siguiendo un proceso de Poisson de =10 por hora,
independientemente uno de otro, deciden comprar algo con probabilidad 0.3 y salen sin comprar
nada con probabilidad 0.7. ¿Cuál es la probabilidad que durante las primeras dos horas 9
personas entren en la tienda, y que mínimo 3 de éstas compren algo?
Solución
¿Cuál es la probabilidad que durante las primeras dos horas 9 personas entren en la tienda, y
que mínimo 3 de éstas compren algo?

P(Xnc=6) ^ P(Xc=3) + P(Xnc=5) ^ P(Xc=4) + P(Xnc=4) ^ P(Xc=5) + … =

e-2λNC.[2λNC]6 / 6! * e-2λC.[2λC]3 / 3! +
e-[__].[2λNC]5 / 5! * e-2λC.[__]4 / 4! +
e-[__].[2λNC]_ / _! * e-2λC.[__]_ / _! +
e-[__].[ ]_ / _! * e[__].[__]_ / _! +
…. =
Conclusiones
REFERENCIAS

TAHA, HAMDY A. (2012). Investigación de operaciones. Novena edición.

PEARSON EDUCACIÓN, México.

EPPEN, G. D. (2000). Investigación de Operaciones en la Ciencia Administrativa.

PRENTICE-HALL, México.

Gallager, Robert G. (2013). Stochastic processes: theory for applications.

Cambridge University Press, United Kingdom.