Beruflich Dokumente
Kultur Dokumente
impuesto predial a las casas cuyo valor en el avalo catastral estuviera por encima de
S/.70,000. Las casas en Lima tienen un avalo catastral promedio de S/.45,750 con una
desviacin estndar de S/.15,110 y pareca estar distribuido normalmente. En el momento
del estudio haba 42,089 casas en los lmites del Cercado de Lima.
El estudio presentado a la alcalda estaba diseado para evaluar la respuesta de la ciudad a
las emergencias, as como tambin la factibilidad de lograr
la meta de reduccin en el
programa de Contingencia.
DISTRIBUCIN UNIFORME
DISTRIBUCIN DE POISSON
minutos
Tiempos de respuesta
DISTRIBUCIN NORMAL
minutos
valoracin
Trate, con herramientas estadsticas, cada uno de los puntos solicitados por el Alcalde, junto
con otras herramientas que usted considere pertinente.
UTILIDAD
La distribucin de Poisson se utiliza en situaciones donde los sucesos son impredecibles o de
ocurrencia aleatoria. En otras palabras no se sabe el total de posibles resultados.
Permite determinar la probabilidad de ocurrencia de un suceso resultado discreto.
Es muy til cuando la muestra o segmento( N )es grande y la probabilidad de xitos (p) es
pequea
Se utiliza cuando la probabilidad del evento que nos interesa se distribuye dentro de un
segmento (n) dado.
LA MEDIA Y LA VARIANZA
MEDIA =E(X)=
VARIANZA = 2
GRAFICA MODELO POISSON
Ejemplo
Si 2% de los libros encuadernados en cierto taller tiene encuadernacin defectuosa, obtener la
probabilidad de que 5 de 400 libros encuadernados en este taller tengan encuadernaciones
defectuosas.
K=5, =400(0.02)=8
P (5,8)= 85 e -8 =0.092
5!
Ejemplo 2
Se distribuy el nmero de clientes que visitaron la oficina de un jven abogado durante sus
primeros 102 das de prctica, de la siguiente manera:
No. DE CLIENTES
No. DE DIAS
3 4 5
40 36 16 7 2 1
donde:
=1.
Para el clculo de la estadstica de trabajo se debe tener en cuenta que cada una de las
frecuencias esperadas debe ser mayor o igual a 5; para cumplir esta condicin se deben unir
las tres ltimas clases obtenindose as una frecuencia esperada de 8,16 y una frecuencia
observada de 10.
Tabla 3.2 Clculo de las frecuencias esperadas
pj
ej
40
0,368 37,536
36
0,368 37,536
16
0,184 18,768
0,061 6,222
0,015
0,004 0,408
TOTAL
N=102
4
1,000
1,53
Asumiendo una confiabilidad del 99 por ciento, en una tabla de la distribucin chi-cuadrado y
dos grados de libertad (nmero de clases: m=4, nmero de estimadores obtenidos a partir de
la muestra, la media, k=1. Entonces m-k-1 = 2) se obtiene un valor para Z de 9,21. El valor de
la estadstica de trabajo est en la zona de no rechazo de la hiptesis nula (Figura 3.22), por lo
tanto con una confiabilidad del 99 por ciento, se concluye que el nmero de clientes que visitan
al abogado tiene una distribucin Poisson.
EJEMPLO
Si los autos llegan a una supermercado siguiendo un proceso de Poisson, el tiempo entre
llegadas sucesivas es una variable aleatoria con distribucin exponencial. Se registraron las
horas de llegada para todos los automviles durante 2 horas y los tiempos entre llegadas (en
minutos) se resumen a continuacin:
TIEMPO ENTRE
LLEGADAS
1 1-2 2-3
No. DE AUTOS
40 29 15
TIEMPO
nj
pj
ej
40
0,5084 46,77
1-2
29
0,2499 22,99
2-3
15
0,1229 11,31
0,1188 10,93
TOTAL
92
1,000
92
Asumiendo una confiabilidad del 95 por ciento, en una tabla de la distribucin chi-cuadrado y
dos grado de libertad (nmero de clases: m=4, nmero de estimadores obtenidos a partir de la
Si dividimos las horas de gran trfico en periodos (intervalos) de un segundo cada uno,
encontraremos que los siguientes enunciados son verdaderos:
a) La probabilidad de que exactamente un vehculo llegue por segundo a una caseta
individual es un nmero muy pequeo y es constante para que cada intervalo de un segundo.
b) La probabilidad de que dos o ms vehculos lleguen en un intervalo de un segundo es tan
reducida que podemos asignarle un valor cero.
c) El nmero de vehculos que llegan en determinado intervalo de un segundo es
independiente del momento en que el intervalo de un segundo ocurre durante la hora de gran
trfico.
d) El nmero de llegadas en cualquier intervalo de un segundo no depende del nmero de
arribos de cualquier otro intervalo de un segundo.
Ahora bien, podemos generalizar partiendo de las cuatro condiciones que hemos descrito en
este ejemplo, si estas condiciones se cumplen nos apoyaremos en una distribucin de
probabilidad de Poisson para describirlos.
Clculo de probabilidades mediante la distribucin de Poisson.
La distribucin de Poisson, segn hemos sealado, se refiere a ciertos procesos que pueden
ser descritos con una variable aleatoria discreta. La letra X suele representar esa variable y
puede adems asumir valores enteros (0,1,2,3 etc..) . Utilizamos la letra X mayscula para
representar la variable aleatoria y la x minscula para designar un valor especfico que puede
asumir la X mayscula. La probabilidad de exactamente x ocurrencias en una distribucin de
Poisson se calcula mediante la frmula:
P(x) = l x * e-l / x!
l x = Lambda
(nmero medio de ocurrencias por intervalo de tiempo) elevada a la potencia x.
e-l = e= 2.71828 elevado a la potencia de lambda negativa.
x! = x factorial.
Ejemplo :
Supngase que estamos investigando la seguridad de un crucero muy peligroso. Los
archivos de la polica indican una media de cinco accidentes por mes en l. El nmero de
8
10