Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Introducción
2 3
P ( 0) e P (1) e P ( 2) e P (3)
(2)(3)
e
2
5
Procesos Poisson.
En general, un proceso aleatorio es un procedimiento físico controlado
completamente o en partes por algún tipo de mecanismo aleatorio. Puede
ser una sucesión de lanzamientos de dados, mediciones de la calidad de
productos que salen de una línea de producción, las vibraciones de las alas
del Concorde, el ruido de una señal de radio, el movimiento de partículas en
una solución o muchos otros fenómenos.
Lo que caracteriza a tales procesos, es su dependencia del tiempo. El hecho
de que ciertos eventos suceden o no, a intervalos regulares o en un intervalo
continuo de tiempo.
Situaciones como: la ocurrencia de imperfecciones en un rollo de casimir, la
medición de la radiación de un contador Geiger, el número de artículos
defectuosos de una línea de producción, las entradas de correos electrónicos
en un computador servidor.
El modelo matemático que aproxima la distribución de estos datos es la
Distribución Poisson.
6
Probabilidad de x éxitos en tiempo T.
Problema 1. De Llegadas.
Una empresa que ofrece el servicio de conexiones de
computadoras particulares a la Red Mundial De Computadoras
(INTERNET) tiene muchos problemas con los Virus Cibernéticos.
El esfuerzo es de tal magnitud que lo sobreasa y decide contratar
los servicios de una empresa dedicada a la “Cacería de Virus
Cibernéticos”
El primer paso de esta empresa fue determinar el número de nuevas
agresiones por día. Después de 10 días de monitoreo decidió iniciar
el estudio.
Los programadores y analistas de esta empresa dedicada a la
“Cacería de Virus”, como sistema, suelen hacerse preguntas que
involucran probabilidades, para enfrentar el problema al tenor de
¿cuáles son las probabilidades?
a) De que entren cuatro nuevos virus por día.
b) Que entren 10 virus en dos días consecutivos.
8
Obteniendo el Promedio
fx
7 3 21
8 0 0 i i
1 2 0 3 ... 2 10 62
9 0 0 x i 2
6,2
10 2 20 10
1 0 ... 2 10
Suma de Días 10
f
i 2
i
Problema 2. Fallas.
2 1 2
3 0 0 x 0,23
p 0,023
n 10
Suma de Días 100
Suma Total Inperfecciones 23 Estadísticos obtenidos del
Promedio 0,23
Tamaño de muestra 10 ejercicio de la empresa.
Proporción 0,023
Las Respuestas del Problema 2
12
la probabilidad Poisson:
b) Al menos dos imperfecciones en 5 horas. 5 n p 5 0,023 0,069
Primero se obtiene el promedio para 5 0,1150 e 0,115 0,1151 e 0,115
P ( x 2) 1
horas: 0! 1!
1 - 0,8914 0,1025
Al solicitar la probabilidad de 2 o más 1 - POISSON(1;0,115;1) 0,0061
soldaduras malas es más fácil obtenerla por
probabilidades complementarias:
15 15 0,023 0,345
c) Para esta debe obtenerse el promedio de
0,3450 e 0, 345 0,3451 e 0,345
fallas en 15 horas: P ( x 2)
0! 1!
Y probabilidad de: 0,8914 0,1025
POISSON(1;0,345;1) 0,9526
13
La Distribución de Frecuencias
El análisis de los datos históricos de un año indicó que la entrada de casos
a emergencias puede considerarse aleatoria.
De acuerdo a los médicos responsables el ingeniero dividió el día
en tres clases: de 6 a 10 de la mañana, de las 16 a las 21 horas y el resto del
día. La tabulación de emergencias se hace en el siguiente cuadro así como
la estimación de promedios por hora: 4,107; 5,408 y 2,022 emergencias por
hora, para la mañana, tarde y resto del día respectivamente.
Emergencias FRECUENCIAS OBSERVADAS EXPANSIÓN DE TOTALES = f * x
x Mañana Tarde Resto Día Mañana Tarde Resto Día
0 5 0 48 0 0 0
1 24 5 97 24 5 97
2 44 34 97 88 68 194
3 86 41 70 258 123 210
4 56 66 36 224 264 144
5 61 50 9 305 250 45
6 48 46 8 288 276 48
7 25 48 0 175 336 0
8 10 40 0 80 320 0
9 3 18 0 27 162 0
10 3 17 0 30 170 0
Sumas 365 365 365 1499 1974 738
Promedios 4,107 5,408 2,022
17
Los Promedios de Emergencias por Hora
fx i i
5 0 241 ... 3(10) 1.499
Para la mañana: xm i 0
4,107
10
5 24 ... 3 365
f
i 0
i
10
fx i i
0 0 51 ... 17(10) 1.974
Para la tarde: xt i 0
5,408
10
0 5 ... 17 365
f
i 0
i
10
fx i i
48 0 971 ... 0(10) 738
xr i 0
2,022
Resto del día: 10
48 97 ... 0 365
f
i 0
i
18
Prueba de Bondad de Ajuste para la Mañana.
En la prueba de Bondad de Ajuste se comparan mediante la prueba de 2
las frecuencias observadas contra las esperadas obtenidas usando la
distribución Poisson.
Emergencias Frecuencias Prueba
x Observada Esperada Ajuste Chi-Cuadr.
0 5 6,0 -1,0 0,1690
En donde la frecuencia esperada
1 24 24,7 -0,7 0,0184 se obtiene multiplicando la
2 44 50,7 -6,7 0,8765
3 86 69,4 16,6 3,9941 probabilidad Poisson por el
4 56 71,2 -15,2 3,2484
5 61 58,5 2,5 0,1078 número de observaciones
6 48 40,0 8,0 1,5850
7 25 23,5 1,5 0,0974
8 10 12,1 -2,1 0,3511
9 3 5,5 -2,5 1,1378
10 3 3,5 -0,5 0,0767 2
10
foi fei
5 6,0
2
24 24,7
2
...
3 3,5
2
11,6622
11 1
Sumas 365 365 11,6622 i 0 fei 6,0 24,7 3,5
Probabilidad 0,3083
1 1
11, 6622
La Probabilidad de la prueba indica 11,6622 111
11, 6622
F11, 6622; 11-1 Y0 2 e 2
d
0
DISTRIBUCION.CHI(6,2314; 11 1) 0,7955
Probabilidades
3 0,1900 0,1181 0,1824 0,2026 0,20
4 0,1951 0,1597 0,0922 0,1948
5 0,1602 0,1727 0,0373 0,1498 0,15
6 0,1097 0,1557 0,0126 0,0960
0,10
7 0,0644 0,1203 0,0036 0,0527
8 0,0330 0,0813 0,0009 0,0254 0,05
9 0,0151 0,0489 0,0002 0,0108
10 0,0062 0,0264 0,0000 0,0042 0,00
11 0,0023 0,0130 0,0000 0,0015 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
12 0,0008 0,0059 0,0000 0,0005 Emergencias por hora
13 0,0002 0,0024 0,0000 0,0001
14 0,0001 0,0009 0,0000 0,0000 Mañanas Tardes R. Día Promedio
15 0,0000 0,0003 0,0000 0,0000
16 0,0000 0,0001 0,0000 0,0000
17 0,0000 0,0000 0,0000 0,0000
0,07
allá de la norma al
0,06
0,05
0,04
0,03
0,02
sobrepasar el Límite
0,01
0,00
Promedio
LIC Superior de Control.
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33
Muestras
La Poisson para Número de Fallas. 29
Número de Fallas
2,5
línea de color café oscuro. 2
Es evidente que el control 1,5
1
de fallas es más estricto que el de 0,5
proporciones pues 5 muestras 0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33
presentan situaciones fuera de Muestras
control estadístico.
El Límite Inferior de Control únicamente tiene fines informativos para este
caso, pues es obvio que debe ser 0.
Propiedades de la Distribución Poisson 30
Por estas dos propiedades se ha visto que la distribución de Poisson es útil para
aproximarse al fenómeno cuando el promedio es pequeño, aún cuando el valor
de n no está bien definido y aún, sí los valores n y p se presume que varían de una
muestra a otra.
El ejemplo que ha servido desde hace mucho tiempo para ejemplificar el uso de la
distribución de Poisson se debe a Ladislaus von Bortkewitch (1.898) que se refiere
al número de hombres en la caballería Prusiana que mueren en un año por coces
de caballos. Si se tienen N = 200 observaciones una por cada 10 batallones en 20
años, Cualquier día un hombre está expuesto a la pequeña probabilidad de que
sea coceado, pero no está claro que valor tiene n y también p que puede ser
variable para cada individuo.
Problema 5: Tradicional del Proceso Poisson 32
Frecuencias Esperadas:
x e 0,5806 2 e 0,5806
Nº Accidentes Probabilidad Frecuencias Bondad fei n ; Ej : fe2 155 14,6
x! 2 !
x Poisson Observada Esperada Ajuste
Y la prueba de 2:
0 0,5595 80 86,7 0,5220
1 0,3249 61 50,4 2,2488
2 0,0943 13 14,6 0,1795 80 86,7 2 61 50,4 2
3 0,0183 1 2,8 1,1831 721 ... 4,5969
86,7 50,4
4 0,0027 0 0,4 0,4108
5 0,0003 0 0,0 0,0477
6 0,0000 0 0,0 0,0046 Y la probabilidad que
7 0,0000 0 0,0 0,0004
Sumas 1,0000 155 155,0 4,5969 determina el estadístico
Probabilidad 0,7090
1 1
4 , 5909
4,5909 81
4, 5909
F 4,5909; 8-1 Y0 2 e 2
d 0,7090
0
i 0
Estimadores 0,5806 0,5806
0,324893(1 0,5806) 2 ... 0,000002(7 - 0,5806) 2
0,5806
x i
9
Promedio: μ i 1
0,018
N 500
N
x μ
2
i
Varianza: σ2 i 1
p 1 p 0,018
N
El Promedio es Suficiente 37
1.000,5
Zona C
La muestra 26: Alcanza la zona A
1.000,0
Zona C
inferior y hay una observación
999,5 considerada falla; acción, buscar
999,0
Zona B la causa.
Zona A
998,5 Las muestras 3 y 4 se presentan en
1
13
15
17
19
21
23
25
29
27
11