CASO 2: CONTINGENCIAS DEL CERCADO DE LIMA

Un estudio de factibilidad sobre atencin de contingencias del Cercado de Lima, mediante

llamadas al numero de emergencias 700 para atencin de asaltos, incendios, y otros
desastres naturales, realizado por profesionales en Ciencias de la Administracin, revel
que los viernes y sbados en la noche el tiempo de respuesta a las llamadas al nmero
oscilaban entre 1.2 y 4.6 minutos y se comprob que estaban distribuidas uniformemente.
Las llamadas tenan Distribucin Poisson y alcanzaron una tasa promedio de 9 por hora. Si
la polica de la ciudad tuviera que responder ms de 3 llamadas, en cualquier momento
podrn acudir a serenazgo para solicitarles ayuda.
El Alcalde de la ciudad deseaba reducir el tiempo promedio de respuesta a 2 minutos. Se
estimaba que el costo de ms carros patrulleros, serenazgo, bomberos y personal sera de
S/.575,000 por cada reduccin de

30 segundos. El costo deba ser asumido por un

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

tiempo de respuesta que quera el alcalde. El reporte final necesit de la aplicacin de

numerosas distribuciones de probabilidad as como
Alcalda de promulgar un sobrecargo

de una evaluacin de Decreto de

al impuesto predial para financiar las mejoras del

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.

DISTRIBUCION POISSON (Variable Discreta)

1

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.

PROPIEDADES DE UN PROCESO DE POISSON

La probabilidad de observar exactamente un xito en el segmento o tamao de muestra (n) es
constante
El evento debe considerarse un suceso raro
El evento debe ser aleatorio e independientes de otros eventos
LA DISTRIBUCION DE POISSON
La distribucin de probabilidad de Poisson es un ejemplo de distribucin de probabilidad discreta.
La distribucin de Poisson parte de la distribucin binomial
Cuando en una distribucin binomial se realiza el experimento muchas veces, la muestra (n) es
grande y la probabilidad de xito (p) en cada ensayo es baja, es aqu donde aplica el modelo de
distribucin de Poisson
Se tiene que cumplir que:
p<0.10
p*n<10
FORMULA
P(k;)=e- * k
K!
Donde
E= es el base del logaritmo natural (e = 2.71828...),
P(X=K) es la probabilidad de ocurrencia cuando la variable discreta X toma un valor finito K.
= Lambda es la ocurrencia cuando la variable discreta X toma un valor finito K.
K= es el numero de xitos por unidad
K! = es el factorial de K

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

Pruebe si el nmero de clientes por da sigue una distribucin Poisson.

Solucin
H0 : El nmero de clientes por da tiene distribucin Poisson
H1 : El nmero de clientes por da no tiene distribucin Poisson
Para calcular la frecuencia esperada en cada clase, se necesita conocer la probabilidad en cada
una de dichas clases, para sto se utiliza la funcin de probabilidad de la distribucin Poisson
que es:

donde:

es el promedio de clientes por da.

Con la informacin disponible se obtiene un promedio aritmtico de 1, por lo tanto

Conocido el promedio se puede calcular la probabilidad en cada clase:

=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

No. DE CLIENTES No. DE DIAS

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

Por lo tanto la estadstica de trabajo es:

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.

Figura 3.22 Regla de decisin: prueba bondad de ajuste

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

Pruebe si es cierto que el tiempo entre llegadas tiene distribucin exponencial.

Solucin
H0 : El tiempo entre llegadas tiene distribucin exponencial
H1 : El tiempo entre llegadas no tiene distribucin exponencial
Para calcular la probabilidad en cada clase, es necesario conocer la funcin de distribucin de la

exponencial, que es:

Con la informacin disponible se obtiene un promedio o valor esperado de 1,4, por lo tanto
=0,71 autos por minuto. La probabilidad en cada clase es:

Tabla 3.3 Clculo de las frecuencias esperadas

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

La estadstica de trabajo es:

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

muestra: k=1. Entonces m-k-1 = 2) se obtiene un valor para Z de 5,99. El valor de la

estadstica de trabajo est en la zona de no rechazo de la hiptesis nula (Figura 3.23), por lo
tanto con una confiabilidad del 95 por ciento, no se rechaza que el tiempo entre llegadas de los
autos tiene una distribucin exponencial.

Figura 3.23 Regla de decisin:prueba bondad de ajuste

La Distribucin de Poisson se llama as en honor a Simen Dennis Poisson (1781-1840),

francs que desarroll esta distribucin basndose en estudios efectuados en la ltima parte
de su vida.
La distribucin de Poisson se emplea para describir varios procesos, entre otros la
distribucin de las llamadas telefnicas que llagan a un conmutador, la demanda
(necesidades) de servicios en una institucin asistencial por parte de los pacientes, los
arribos de los camiones y automviles a la caseta de cobro y el nmero de accidentes en un
cruce. Los ejemplos citados tienen un elemento en comn, pueden ser descritos por una
variable aleatoria discreta que asume valores enteros (0,1,2,3,4,5 y as sucesivamente).
El nmero de enfermos que llegan a un consultorio en cierto intervalo de tiempo ser de
0,1,2,3,4,5 o algn otro nmero entero. De manera anloga, si se cuenta el nmero de
automviles que llegan a una caseta de cobro durante un periodo de diez minutos, el nmero
ser entero.
Caractersticas de los procesos que producen una distribucin de la probabilidad de Poisson.
El nmero de vehculos que pasan por una caseta de cobro en las horas de mayor trfico
sirve como ejemplo para mostrar las caractersticas de una distribucin de probabilidad de
Poisson.
El promedio (media) de los arribos de vehculos por hora de gran trfico puede estimarse a
partir de los datos anteriores del trfico.
7

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

accidentes est distribuido conforme a la distribucin de Poisson, y la divisin de seguridad

en carreteras quiere calcular la probabilidad de exactamente 0,1,2,3 y 4 accidentes en un
mes determinado.
Aplicando la frmula anterior:
P(0) = (5)0 (e-5) /0! = 0.00674
P(1) = (5)1 (e-5) /1! = 0.03370
P(2) = (5)2 (e-5) /2! = 0.08425
P(3) = (5)3 (e-5) /3! = 0.14042
P(4) = (5)4 (e-5) /4! = 0.17552
Para saber cual es la probabilidad en 3 o menos, sumaremos las probabilidades de 0,1,2,3 lo
que ser igual a :
P(0) = 0.00674
P(1) = 0.03370
P(2) = 0.08425
P(3) = 0.14042
P(3 o menos) = 0.26511
Dado que la probabilidad de que haya 3 o menos accidentes es de 0.26511 entonces la
probabilidad de que ocurran ms de tres debe ser = 1 0.26511 = 0.73489.
La distribucin de Poisson como una aproximacin a la distribucin binomial.
Algunas veces, si se desea evitar el tedioso trabajo de calcular las distribuciones binomiales,
se puede usar a cambio la de Poisson, pero debe cumplir con ciertas condiciones como :
n=>20
p=<0.05
En los casos en que se satisfacen tales condiciones, podemos sustituir la media de la
distribucin binomial en lugar de la media de la distribucin de Poisson de modo que la
frmula quedara as:
9

P(x) = (np) X * e-np /x!

10