Beruflich Dokumente
Kultur Dokumente
Métodos Cuantitativos
Modelo de la
DISTRIBUCION DE
POISSON
Distribución de Poisson:
Es una distribución muy usada en medicina y biología. Se deriva
del proceso de Poisson en honor al matemático francés Simeon
Denis Poisson (1781-1840).
Debe cumplir las siguientes condiciones:
La ocurrencia de los eventos son independientes.
El número promedio de veces () que ocurre un éxito por
cada unidad de tiempo o de espacio es constante.
La probabilidad de un suceso es una unidad de tiempo o de
espacio muy pequeña.
Ejemplos de aplicaciones de Poisson:
x e
P(X = x) =
x!
donde
:(lambda): media = n∗p = variancia
e : base de logaritmos naturales = 2.71828
x! : factorial de x
Ejemplo:
Supongamos que estamos investigando la seguridad de una
peligrosa intersección de calles, los registros policiales indican
un media de 5 accidentes mensuales en esta intersección. El
número de accidentes esta distribuido de acuerdo con una
distribución de Poisson y el departamento de seguridad vial
desea que calculemos la probabilidad de que en cualquier mes
ocurra exactamente 3 accidentes.
x e
P(X = x) =
x!
X = 3 acc/mes 53 2.71835
= 5 acc/mes P( x 3) 0.14042 14.04%
3!
Uso de Tablas
0 0.0067
La probabilidad de
1 0.0337 tener exactamente 3
2 0.0842
3 0.1404
accidentes en un
4 0.1755 mes cualquiera es
5 0.1755
0.1404
1.- ¿Cómo utilizar la tabla de la distribución de Poisson?
Supongamos que X es una variable aleatoria que sigue la ley de Poisson con parámetro 0.9; Nos
piden calcular la probabilidad de que X sea menor o igual que 3. Localizamos en la tabla =0.9,
x=3 y tomamos la intersección: 0.987.
En una oficina han llegado 2 clientes hoy. Calcula la posibilidad de que mañana lleguen 3
clientes como mínimo.
= 0.857.
Una posibilidad seria calcular la probabilidad que X fuera menor o igual que 3 (0.987), la
probabilidad que X fuera menor o igual que 2 (0.937) y restarlas, dando 0.05. Pero la
fórmula de la función de probabilidad nos dará un resultado exacto:
x e 0,93 e0,9
P(X = x) = P(X 3) = 0,0493982
x! 3!
4.- ¿Qué pasa si el parámetro no aparece de forma exacta en la tabla?
Supongamos que tenemos una variable aleatoria X que se distribuye según una ley de
Poisson con parámetro 4.65. Queremos calcular la probabilidad que X sea menor o igual
que 7. Tomaremos los dos parámetros más cercanos a 4.65 que aparecen en la tabla, que
son 4.6 y 4.8. Localizaremos las respectivas probabilidades:
Si nos dan por ejemplo p=0.72, =14.5, entonces tomamos el valor inmediatamente inferior a 0.72
que aparece en la tabla para =14.5. En nuestro caso es 0.711, que corresponde a x=16.
Notemos que en este caso no hacemos interpolación lineal ya que la ley Poisson es discreta y por
lo tanto no tiene sentido dar un valor no entero, como 16.2.
5.- Comentarios acerca de la distribución binomial
Siempre que se utilice una variable aleatoria binomial con los parámetros p muy grande y n
muy pequeño, podemos aproximarla por una variable aleatoria Poisson con parámetro:
= n∗p
Un posible ejemplo es éste: un fabricante produce artículos de los cuales alrededor de 1 cada
1000 son defectuosos. O sea, p=0.001. Si consideramos la distribución binomial encontramos
que en un lote de 500 artículos la probabilidad de que ninguno sea defectuoso es (0.999)500 =
0.609. Si utilizamos la aproximación de Poisson obtenemos e-0.5-=0.607 (se puede mirar en la
tabla). La probabilidad de encontrar dos o más artículos defectuosos sería, según la
aproximación de Poisson y mirando a la tabla, 1-0.91=0.09.
En el caso que tanto p como n sean muy grandes, sería necesario aproximarla mediante la
distribución normal.
Aplicación
La probabilidad de “número equivocado” a pesar de haber marcado
correctamente es 3. Si se toma una muestra de 100 llamadas, ¿cuál es
la probabilidad de tener 2 “número equivocado”?
Solución:
32 (2.71828) 3
n = 100 P(X = 2) =
2!
= 3
= 0.2240
La aproximación de Poisson a la distribución Binomial
100!
P(X = 3) = (0,02) 3 (0,98) 97
3! 97!
0,1823
Los cálculos son muy tediosos. Cuando p es pequeño y n es lo
suficientemente grande, la formula binomial puede aproximarse
mediante una distribución de Poisson con = n∗p
Luego, utilizando una distribución de Poisson encontramos que la
probabilidad de que X=3 es:
x e np = 100 (0,02) = 2
P(X = 3) =
x!
(2)3 (2,71828) 2 8
2
0,1805
3! 6 (2,71828)
p 0.05 y n 20
Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las
probabilidades de que reciba,
a) cuatro cheques sin fondo en un día dado,
b) 10 cheques sin fondos en cualquiera de dos días consecutivos?
a) x = variable que nos define el número de cheques sin fondo que llegan al banco en
un día cualquiera = 0, 1, 2, 3, ....., etc, etc.
= 6 cheques sin fondo por día
e = 2.718
( 6 )4 ( 2.718 )6 ( 1296 )( 0.00248 )
p( x 4, 6 ) 0.13392
4! 24
b) x = variable que nos define el número de cheques sin fondo que llegan al banco en dos días
consecutivos = 0, 1, 2, 3, ......, etc., etc.
= 6 ∗ 2 = 12 cheques sin fondo en promedio que llegan al banco en dos días consecutivos
Nota: siempre debe de estar en función de x siempre o dicho de otra forma, debe “hablar” de lo
mismo que x.
Estadistica:
Inafuko Capitulo 4 y 5 Probabilidades
Lind Capitulo 5 y 6 Estudio de Probabilidades
Webster Capitulo 4 y 5 Principios de Probabilidades
Distribuciones Discretas de Probabilidad
Métodos Cuantitativos
Modelo de la
DISTRIBUCION DE
HIPERGEOMETRICA
La distribución hipergeométrica
Se utiliza para describir variables discretas
a) Características
La información de la muestra se obtiene sin reposición de una
población finita, por lo tanto la probabilidad de éxito varía.
b) Formula
donde:
𝑀 𝑁−𝑀 M : número de éxitos en la población
𝑃 𝑋=𝑘 = 𝑘 𝑛−𝑘 k : número de éxitos en la muestra
𝑁 N : tamaño de la población
𝑛 N-M : número de fracasos en la población
n : tamaño de la muestra
n-k : número de fracasos en la muestra
c) Aplicación
Calcular la probabilidad de obtener 10 tubos defectuosos en una
muestra de 20 tubos de radio tomados sin reemplazo de un lote de
30 tubos, de lo cuales 15 son defectuosos.
Datos:
15 30 − 15
k = 10
n = 20 𝑃 𝑋 = 10 = 10 20 − 10
30
N= 30 20
M= 15
(3003)(3003) 9018009
=
30045015 30045015
= 0,3001
Si erróneamente se usa la distribución binomial con n = 20 y
p =15/30 = 1/2 para calcular la probabilidad de tener 10
defectuosos, el resultado será:
P(X = x)
20! 1
10!(20 - 10)! 2
10
1
2
10
184756
0,1762
1048576