PROBABILIDAD Y M. en S.I.

José
Alejandro
Ascencio
ESTADÍSTICA Laguna
 VARIABLES ALEATORIAS Y
DISTRIBUCIONES DE PROBABILIDAD
  Distribución Poisson.
 Es la función de probabilidad discreta que parte de una frecuencia de
ocurrencia media y que busca principalmente el número de eventos
que se logran durante cierto periodo de tiempo.
 Algunos de los principales procesos que se pueden definir a través
de una distribución de Poisson:
 # de autos que pasan por cierta ruta en un tiempo determinado.
 # de errores ortográficos al escribir una sola página.
 # de llamadas que recibe una central por minuto
 # de servidores web que son accedidos en una hora
 # de estrellas que se encuentran en cierto volumen del espacio
 # de inventos realizados a lo largo de una carrera

Probabilidad y Estadística 2
 VARIABLES ALEATORIAS Y
DISTRIBUCIONES DE PROBABILIDAD
C on l o a nt eri or n os podem os da r cu e nt a q u e e l t ie m po e s la c a ra c te r ís tic a de

in te ré s e n e st e t ipo de dist ribu ci ón .
 Po r lo t an to cu a ndo defin im os e l ti e m po c om o u n o de lo s pa rá m e t ros pa ra e l
e stu dio de cie rto s expe rim e n tos pode m os r e c u rri r a la dis tri bu c ió n de Po is so n .
 S u for m u la e s:

D on de ,
n ú m e r o de e ven to s qu e s e e s pe ra n
pa rá m e t ro de es pe ra n z a de oc u rr e n c ia ( e s e l produ c to de l t ie m po q ue n os
in te re sa an a liz a r y la fr ecu e n c ia de oc u rr e n c ia m e dia)
n ú m e r o de o cu r ren cia s del fe n ó m e n o
E u le r

U n e je m plo de es : s i obs e r va m os e l nú m e ro de m ot oc ic le ta s q u e pa sa n po r
dete rm i n ada au to pist a, y o bse rva m o s q u e e n u n m in u to pa sa n 15, pode m os
e spe r a r q u e en 10 m in u tos pa se n 150, e st o e s e l par á m e tr o la n da .

Probabilidad y Estadística 3
 VARIABLES ALEATORIAS Y
DISTRIBUCIONES DE PROBABILIDAD
  Por lo tanto, podemos decir que , nos indica la probabilidad
de que cierto evento ocurra veces, probabilidad de ocurrencia
del evento durante veces en tiempo estipulado para ello.
 Esta formula analiza una secuencia a lo largo del tiempo para
definir una esperanza.
 También podemos concluir con la definición de la de la
distribución de Poisson, que un experimento que sigue una
distribución de Poisson es cuando nos interesa contar el
número de veces que ocurre un cierto fenómeno con la
particularidad, esto en un tiempo fijo o en una región del
espacio.

Probabilidad y Estadística 4
 VARIABLES ALEATORIAS Y
DISTRIBUCIONES DE PROBABILIDAD
 Ahora con la definición veamos algunos ejemplos más:
 Número de visitantes diarios a un museo (el fenómeno es la gente
que visita el museo y la región de espacio o tiempo fijo es diarios)
 Número de defectos en un metro de tela (el fenómeno son los
defectos y la región o espacio de tiempo es un metro de tela)
 Número de llamadas recibidas en una central en una hora (fenómeno
son las llamadas, y la región de espacio o tiempo es en una hora)

En base a los ejemplos anteriores podemos decir que si un

experimento sigue dichas características, podemos decir que sigue un
modelo de distribución de Poisson.

Probabilidad y Estadística 5
 VARIABLES ALEATORIAS Y
DISTRIBUCIONES DE PROBABILIDAD
  Su denotación es:

 La variable aleatoria sigue una distribución de Poisson de

parámetro landa
 Donde,
es el promedio de ocurrencia del fenómeno en la región
del espacio o tiempo fija.

Probabilidad y Estadística 6
 VARIABLES ALEATORIAS Y
DISTRIBUCIONES DE PROBABILIDAD
  Un ejemplo.
 Un radar de carretera detecta un promedio de 6 infracciones diarias.
Calcula la probabilidad de que en un día dado el radar detecte 4
infracciones.
 La variable aleatoria será el número de infracciones detectadas por el
radar al día.
 será el promedio de infracciones que suceden al día.

Probabilidad y Estadística 7
 VARIABLES ALEATORIAS Y
DISTRIBUCIONES DE PROBABILIDAD
  Un ejemplo.
 Un radar de carretera detecta un promedio de 6 infracciones diarias.
Calcula la probabilidad de que en un día dado el radar detecte 4
infracciones.
 La variable aleatoria será el número de infracciones detectadas por el
radar al día.
 será el promedio de infracciones que suceden al día.

Probabilidad y Estadística 8
 VARIABLES ALEATORIAS Y
DISTRIBUCIONES DE PROBABILIDAD
  Un ejemplo.
 Un radar de carretera detecta un promedio de 6 infracciones diarias.
Calcula la probabilidad de que en un día dado el radar detecte
menos de 2 infracciones.

Probabilidad y Estadística 9
 VARIABLES ALEATORIAS Y
DISTRIBUCIONES DE PROBABILIDAD
 Una compañía telefónica recibe llamadas a razón de 4
llamadas por minuto. Calcular la probabilidad de:
a) Recibir 2 llamadas en un minuto
b) No recibir ninguna llamada en un minuto
c) Recibir menos de 3 llamadas en un minuto
d) Recibir más de 3 llamadas en un minuto

Probabilidad y Estadística 10
 VARIABLES ALEATORIAS Y
DISTRIBUCIONES DE PROBABILIDAD
 En una empresa el promedio de accidentes es de 3 por mes.
a) Que no ocurra ningún accidente en un mes.
b) Que como máximo ocurran 2 accidentes en un mes.
c) Que ocurran 30 accidentes en un año.
d) Que ocurran 8 accidentes en un trimestre.

Probabilidad y Estadística 11
 VARIABLES ALEATORIAS Y
DISTRIBUCIONES DE PROBABILIDAD
 En una zona que rodea un punto kilométrico de una autovía
hay una población de erizos. Se ha realizado un estudio por el
que se ha deducido que los erizos cruzan la autovía a razón
de 1 cada 20 minutos. ¿Cuál es la probabilidad de que 4
erizos crucen la autovía en una hora?

Probabilidad y Estadística 12