Integrantes: Abel Q. Wendy N. Daniela A.

QU ES ?

La distribucin de Poisson es una distribucin de probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la probabilidad que ocurra un determinado nmero de eventos durante cierto periodo de tiempo.

PARA QUE SIRVE?

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 con 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 como por ejemplo distancia, rea, volumen o tiempo definido.

EJEMPLOS DE LA UTILIDAD
La llegada de un cliente al negocio durante una hora. Las llamadas telefnicas que se reciben en un da. Los defectos en manufactura de papel por cada metro producido. Los envases llenados fuera de los lmites por cada 100 galones de producto terminado.

La distribucin de Poisson se emplea para describir procesos con un elemento en comn, pueden ser descritos por una variable aleatoria discreta.

3. PROPIEDADES DEL MODELO DE POISSON: Esperanza: E(X) = . Varianza: V(X) = .

En esta distribucin la esperanza y la varianza coinciden. La suma de dos variables aleatorias independientes con distribucin de Poisson resulta en una nueva variable aleatoria, tambin con distribucin de Poisson, de parmetro igual a la suma de parmetros: X1 ~ P( = 1) y X2 ~ P( = 2) y definimos Z = X1 + X2, entonces, Z ~ P( = 1 + 2)

Este resultado se extiende inmediatamente al caso de n variables aleatorias independientes con distribucin de Poisson. En este caso, la variable suma de todas ellas sigue una distribucin de Poisson de parmetro igual a la suma de los parmetros.

LA DISTRIBUCIN 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

LA FUNCIN P(X=K)
A continuacin veremos la funcin de probabilidad de la distribucin de Poisson.

Donde:
P(X=K) es la probabilidad de ocurrencia cuando la variable discreta X toma un valor finito k.

= Lambda es la ocurrencia promedio por unidad (tiempo, volumen, rea, etc.). Es igual a p por el segmento dado. La constante e tiene un valor aproximado de 2.711828 K es el nmero de xitos por unidad

EJEMPLO1 DE LA FUNCIN F (X=K)

La probabilidad de que haya un accidente en una compaa de manufactura es de 0.02 por cada da de trabajo. Si se trabajan 300 das al ao, cul es la probabilidad de tener 3 accidentes? Como la probabilidad p es menor que 0.1, y el producto n * p es menor que 10 (300 * 0.02 = 6), entonces, aplicamos el modelo de distribucin de Poisson:

Al realizar el cmputo tenemos que P(x = 3) = 0.0892 Por lo tanto, la probabilidad de tener 3 accidentes laborales en 300 das de trabajo es de 8.9%.

EJEMPLO 2 DE LA FUNCIN F(X=K)

La probabilidad de que un producto salga defectuoso es de 0.012. Cul es la probabilidad de que entre 800 productos ya fabricados hayan 5 defectuosos? En este ejemplo vemos nuevamente la probabilidad p menor que 0.1, y el producto n * p menor que 10, por lo que aplicamos el modelo de distribucin de Poisson:

El resultado es P (x = 5) = 0.04602 Por lo tanto, la probabilidad de que haya 5 productos defectuosos entre 800 recin producidos es de 4.6%.

TABLAS DE PROBABILIDAD DE POISSON

Utilizando la tabla de probabilidad de Poisson se pueden resolver los ejemplos anteriores. Para esto, usted debe saber los valores X y .

X es el nmero de xitos que buscamos. Este es el valor K. es el nmero promedio de ocurrencias por unidad (tiempo, volumen, rea, etc.). Se consigue multiplicando a p por el segmento dado n.

Del ejemplo 1: Del ejemplo 2:

= 0.02 * 300 = 6
= 0.012 * 800 = 9.6

LA MEDIA Y LA VARIANZA 2
Caractersticas de la distribucin Poisson
Media
= E(X) =
P(X) .6 .4 .2 0 0

k = 5 = 0.1
X 1 2 3 4 5

Varianza = 2

P(X) .6 .4 .2 0 0

k=5

= 0.5
X

5
17

1.-Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las probabilidades de que reciba, a) cuatro cheques sin fondo en un da dado, b) 10 cheques sin fondos en cualquiera de dos das consecutivos?
Solucin: a) x = variable que nos define el nmero de cheques sin fondo que llegan al banco en un da cualquiera = 0, 1, 2, 3, etc. = 6 cheques sin fondo por da

b) x= variable que nos define el nmero de cheques sin fondo que llegan al banco en dos das consecutivos = 0, 1, 2, 3, ......, etc., etc. = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos das consecutivos Nota: siempre debe de estar en funcin de x siempre o dicho de otra forma, debe hablar de lo mismo que x.

2.-En la inspeccin de hojalata producida por un proceso electroltico continuo, se identifican 0.2 imperfecciones en promedio por minuto. Determine las probabilidades de identificar a) una imperfeccin en 3 minutos, b) al menos dos imperfecciones en 5 minutos, c) cuando ms una imperfeccin en 15 minutos. Solucin:

a) x = variable que nos define el nmero de imperfecciones en la hojalata por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.
= 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la hojalata

b) x = variable que nos define el nmero de imperfecciones en la hojalata por cada 5 minutos = 0, 1, 2, 3, ...., etc., etc. = 0.2 x 5 =1 imperfeccin en promedio por cada 5 minutos en la hojalata

=1-(0.367918+0.367918) = 0.26416

c) x = variable que nos define el nmero de imperfecciones en la hojalata por cada 15 minutos = 0, 1, 2, 3, ....., etc., etc. = 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la hojalata

0.0498026 + 0.149408 = 0.1992106

3.-La probabilidad de tener un accidente de trfico es de 0,02 cada vez que se viaja, si se realizan 300 viajes, cual es la probabilidad de tener 3 accidentes? Como la probabilidad " p " es menor que 0,1, y el producto " n * p " es menor que 10, entonces aplicamos el modelo de distribucin de Poisson

Luego, P (x = 3) = 0,0892 Por lo tanto, la probabilidad de tener 3 accidentes de trfico en 300 viajes es del 8,9% .