Академический Документы
Профессиональный Документы
Культура Документы
INTEGRANTES
Samantha Pedroza G.
Elias Rodriguez R.
OBJETIVOS
Objetivos generales:
● Determinar y concretar la distribución de
poisson a partir de una frecuencia de
ocurrencia media.
Objetivos específicos:
● Identificar las propiedades de la distribución
de poisson.
● Describir el intervalo de confianza.
● Analizar conceptos tales como: (suma de
variables aleatorias de poisson,distribución
binomial, aproximación normal, distribución
exponencial).
● Elaborar ejemplos basados en la teoría
expuesta.
● Definir los procesos de poisson por medio de actividades y preguntas participativas que corroboren a la
claridad y entendimiento del tema.
PALABRAS CLAVE
● Dominio
● Función de probabilidad
La distribución de Poisson, tiene este nombre gracias a su creador, el francés Simeón Dennis Poisson(1781-1840).
Esta distribución de probabilidad fue unos de los múltiples trabajos matemáticos que Dennis realizó a lo largo de
su productiva trayectoria; principalmente fue creada para encontrar el intervalo de tiempo, distancia, área y
volumen.
● La DP se suele utilizar en aquellas situaciones donde los sucesos son imprescindibles o de ocurrencia
aleatoria. Es decir, no se sabe de cierta manera el total de los posibles resultados.
● Este determina la probabilidad de ocurrencia de un suceso dado un resultado discreto, puesto que se forma
por conteo.
● Se utiliza o es de gran utilidad cuando la muestra en una determinada población es muy grande y su
probabilidad es muy pequeña.
● Es la probabilidad de que ocurra un determinado número de eventos durante cierto período de tiempo.
Concretamente, se especializa en la probabilidad de ocurrencia de sucesos con probabilidades muy
pequeñas, o sucesos raros
Propiedades
Donde:
● k es el número de ocurrencias del evento o fenómeno.
● λ(varianza o moda) es un parámetro positivo que representa el número de veces que se espera que ocurra el
fenómeno durante un intervalo dado. Por ejemplo, si el suceso estudiado tiene lugar en promedio 3 veces
por minuto y estamos interesados en la probabilidad de que ocurra k veces dentro de un intervalo de 10
minutos, usaremos un modelo de distribución de Poisson con λ = 10×3 = 30.
● e es la base de los logaritmos naturales (e = 2,71828...).
● ! (factorial),
La probabilidad de nuestra variable aleatoria X viene dada por la siguiente expresión:
donde:
donde es la media del número de sucesos en el intervalo que estemos tomando, ya sea de tiempo, distancia,
volumen, etc. Es importante entender que este valor es una media en el sentido estrictamente estadístico de la
palabra y como tal se calculará mediante dicha expresión y no debe calcularse nunca con una regla de
proporcionalidad o regla de tres.
Se debe cumplir la condición de normalización
La desviación típica es
Cuando realizamos un experimento contando sucesos y obtenemos un valor x, su error vendrá determinado por la
raíz de x.
Supóngase que estamos investigando la seguridad de un crucero muy peligroso. Los archivos de la policía indican
una media de cinco accidentes por mes en él. El número de accidentes está distribuido conforme a la distribución
de Poisson, y la división de seguridad en carreteras quiere calcular la probabilidad de exactamente 0,1,2,3 y 4
accidentes en un mes determinado.
Para saber cual es la probabilidad en 3 o menos, sumaremos las probabilidades de 0,1,2,3 lo que será 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 más de tres debe ser = 1 –0.26511 = 0.73489.
Intervalo de confianza
Un intervalo de confianza es un rango de valores, derivado de los estadísticos de la muestra, que posiblemente
incluya el valor de un parámetro de población desconocido.
El intervalo de confianza se determina calculando una estimación de punto y luego determinando su margen de
error.
En la actualidad…
Un criterio fácil y rápido para calcular un intervalo de confianza aproximada de λ es propuesto por Guerriero
(2012).1Dada una serie de eventos k (al menos el 15 - 20) en un periodo de tiempo T, los límites del intervalo de
confianza para la frecuencia vienen dadas por:
¿Que es la tasa de ocurrencia?
La tasa de ocurrencia es igual a la media (λ) dividida entre la dimensión del espacio de
observación. Es útil para comparar conteos de Poisson recolectados en diferentes espacios de
observación. Por ejemplo, la central telefónica A recibe 50 llamadas telefónicas en 5 horas y la
central telefónica B recibe 80 llamadas en 10 horas. Usted no puede comparar directamente
estos valores, porque sus espacios de observación son diferentes. Debe calcular la tasa de
ocurrencia para comparar estos conteos. La tasa de la central telefónica A es (50 llamadas / 5
horas) = 10 llamadas/hora. La tasa de la central telefónica B es (80 llamadas / 10 horas) = 8
llamadas/hora.
Ejemplo #2:
Tres ejecutivos del Insalud opinan que el número medio de pacientes que llegan a cierto servicio nocturno de
guardia durante una hora es 2 , según el primero, 3 , según el segundo, y 4 según el tercero.
Sus opiniones pueden ponderarse teniendo en cuenta que el primero tiene el doble de experiencia profesional
que los otros dos.
Para tomar una decisión de asignación de personal en ese servicio quieren estimar el número medio de pacientes,
sin despreciar sus opiniones , por lo que realiza una experiencia controlando una hora de actividad en el servicio
en la que acuden 3 pacientes .Esta información la van a combinar con la inicial a través de un proceso Bayesiano :
¿cómo lo harían?
La distribución a priori será tal que deberá asignarse el doble de probabilidad a la alternativa propuesta por el
primer experto que a las de los otros dos. Así que será:
DISTRIBUCIÓN BINOMIAL:
Es una distribución de probabilidad discreta que cuenta el número de éxitos en una secuencia de n ensayos de
Bernoulli independientes entre sí, con una probabilidad fija p de ocurrencia del éxito entre los ensayos. Un
experimento de Bernoulli se caracteriza por ser dicotómico, esto es, solo dos resultados son posibles.
Las siguientes situaciones son ejemplos de experimentos que pueden modelizarse por esta distribución:
Se lanza un dado diez veces y se cuenta el número X de tres obtenidos: entonces X ~ B(10, 1/6).
DIFERENCIAS ENTRE LA DISTRIBUCIÓN DE
POISSON Y LA DISTRIBUCIÓN BINOMIAL
DISTRIBUCIÓN EXPONENCIAL:
Supóngase que para cada valor t > 0, que representa el tiempo, el número de sucesos de cierto fenómeno
aleatorio sigue una distribución de Poisson de parámetro λt. Entonces, los tiempos transcurridos entre dos sucesos
sucesivos sigue la distribución exponencial.
EJEMPLO DE DISTRIBUCIÓN DE POISSON
Si el 2% de los libros encuadernados en cierto taller tiene encuadernación defectuosa, para obtener la
probabilidad de que 5 de 400 libros encuadernados en este taller tengan encuadernaciones defectuosas usamos la
distribución de Poisson. En este caso concreto, k es 5 y, λ, el valor esperado de libros defectuosos es el 2% de 400,
es decir, 8. Por lo tanto, la probabilidad buscada es
SUSTITUCIÓN DE LA PROBABILIDAD EN LA
DISTRIBUCIÓN DE POISSON
QUE DEBEMOS TENER EN CUENTA PARA REPRESENTAR UNA
GRÁFICA DE POISSON
Lambda = 3 Lambda = 10
TABLA DE DISTRIBUCIONES
PROCESOS DE POISSON
Esta distribución puede ser aplicada a varios fenómenos discretos de la naturaleza
(esto es, aquellos fenómenos que ocurren 0, 1, 2, 3,... veces durante un periodo
definido de tiempo o en un área determinada) cuando la probabilidad de ocurrencia
del fenómeno es constante en el tiempo o el espacio. A continuación podremos
observar casos concretos en los que podremos utilizar la distribución de poisson:
● https://www.mindmeister.com/es/1037108194/distribuci-n-normal-binomial-y-de-poisson?full
screen=1
● https://www.mindmeister.com/es/1037108194/distribuci-n-normal-binomial-y-de-poisson
● https://www.ugr.es/~eues/webgrupo/Docencia/MonteroAlonso/estadisticaII/tema3.pdf
● http://ri.uaemex.mx/oca/view/20.500.11799/32028/1/secme-21239.pdf
● https://es.slideshare.net/jramosalacayo1/distribucion-normal-binomial-y-poisson
● https://support.minitab.com/es-mx/minitab/18/help-and-how-to/statistics/basic-statistics/sup
porting-topics/basics/what-is-a-confidence-interval/
● https://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Poisson
● https://www.google.com/search?ei=0vDqXLHYDqut5wK_xqzoAw&q=que+es+la+media+en+est
adistica&oq=que+es+la+mdia&gs_l=psy-ab.1.0.0i10l10.1537643.1538653..1540366...0.0..0.39
7.1708.0j2j4j1......0....1..gws-wiz.......0i71j0i67j0j0i67i70i249.k446IAt1QD0
● https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/poisson.htm
● https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-distributions-and
-random-data/supporting-topics/distributions/poisson-distribution/