Diapositiva 1

6-30
Poisson como Aproximacin de la Binomial
La distribucin de probabilidades binomial se hace cada
vez ms sesgada a la derecha conforme la probabilidad de
xitos disminuye.
La forma lmite de la distribucin binomial donde la
probabilidad de xito p es muy pequea y n es grande, se
llama:

Distribucin de probabilidades de Poisson.

Proceso de Poisson: Consiste en observar la ocurrencia de
eventos discretos en un intervalo continuo (unidad de
medida).

TCNICAS DECISIONALES
Luis Zapatel Arriaga.
Diapositiva 2
Distribucin de Poisson
Permite determinar la probabilidad de la ocurrencia de un
nmero dado de xitos por unidad de medicin (minuto,
hora, centmetro, metro, cuadrado, etc.)
Diapositiva 3
Distribucin de Poisson
Las ocurrencias de un evento pueden ser descritas en trminos
de una variable aleatoria discreta.
Existe un rgimen que caracteriza el proceso (nmero de
ocurrencias por intervalo de tiempo o espacio).
Se usa para describir las distribuciones de probabilidad de:
Errores en la captura de datos.
Nmero de ralladuras u otras imperfecciones en autos.
Demanda de productos o de servicios.
Nmero de clientes en espera de servicio.
Nmero de llamadas telefnicas en una central.
Nmero de accidentes.
Nmero de llegadas de vehculos.
Nmero de defectos observados en longitudes, superficies, u
objetos.
Diapositiva 4
Caractersticas de la
Distribucin de Poisson
La probabilidad de que exactamente una ocurrencia se
presente en cada sub-intervalo de tiempo o espacio es muy
pequea y es constante para cada sub-intervalo.
La probabilidad de que se presenten dos o ms ocurrencias en
un sub-intervalo es tan pequea que puede ser considerada
cero.
El nmero de ocurrencias que se presentan en un sub-intervalo
no depende de donde est localizado dicho sub-intervalo.
El nmero de ocurrencias que se presenten en un sub-intervalo
no depende del nmero de ocurrencias de cualquier otro sub-
intervalo.
Diapositiva 5
Probabilidad en una
Distribucin de Poisson
n 2,..., 1, 0, x para Si = = = ) ( ) ( x X P x f
!
) (
x
e
x X P
x

= =
= promedio de ocurrencias en t unidades de medida
e = 2.71828 Base de logaritmos neperianos o naturales.
PROBABILIDAD QUE SE VA A CALCULAR PARA UN
VALOR DADO DE X
NUMERO DE
OCURRENCIAS

Diapositiva 6
Distribucin de Poisson como una
aproximacin de la Distribucin Binomial
La distribucin de Poisson es una buena aproximacin
de la distribucin binomial cuando n es igual o mayor
que 20 y p es igual o menor a 0.05.
np =
!
) (
) (
x
np e
x f
x np
=
Diapositiva 7
Distribucin de Poisson
El nmero medio de xitos se puede determinar por:
np = =
6-32
La varianza de la distribucin de Poisson es:
np = = o
2
donde n es el nmero de ensayos y
p la probabilidad de xito.
Diapositiva 8
EJEMPLO 1
El policlnico de La Victoria Nueva se especializa en el cuidado de lesiones
menores, resfriados y gripe. En las horas de la tarde de 6-10 PM el nmero
medio de llegadas es 3.0 por hora.
Cul es la probabilidad de que 4 pacientes lleguen en una hora?
Cul es la probabilidad de que como mximo se den 2 llegadas en una hora?
Cul es la probabilidad de que lleguen al menos 3 pacientes en una hora?
1680 . 0
! 4
3
) 4 (
4 3
= = =

e
X P
6-33
3
1 :
=
hora t
Experimento: Analizar el nmero de llegadas en 1 hora
X: Nmero de llegadas en 1 hora
X:0.1,2,3,4,
= s ) 2 (X P
= > ) 3 (X P
Diapositiva 9
EJEMPLO 2
Los clientes llegan a la ventanilla del BCP a un
rgimen de 24 por hora.
Cul es la probabilidad de que 20 clientes lleguen en 60
minutos?
Cul es la probabilidad de que 9 clientes lleguen en un
lapso de 22 minutos?
062 . 0
! 20
24
) 20 (
20 24
= = =

e
X P
6-33
24 ; 1 : = hora t
Experimento: Analizar el nmero de clientes por hora
X: Nmero de clientes por hora
X:0.1,2,3,4,
=
= =

min 22 :
24 min 60 1 :
t
hora t
1314 . 0
! 9
8 . 8
) 9 (
9 8 . 8
= = =

e
X P
Diapositiva 10
EJEMPLO 3
Supongamos que se est interesado en la
probabilidad de que exactamente 5 clientes
lleguen a Plaza Vea lleguen durante la
siguiente hora (o en cualquier hora dada)
laboral. La observacin simple de la ltimas
80 horas ha demostrado que 800 clientes
han entrado al negocio.
0378 . 0
! 5
10
) 5 (
5 10
= = =

e
X P
=
=

; 1 :
800 ; 80 :
hora t
clientes horas t
Diapositiva 11
Si un banco recibe en promedio de 6 cheques sin fondo
por da Cul es la probabilidad de que reciba 4
cheques sin fondo por da?

= 6 cheques sin fondo por da.
e = 2.718

P (x = 4; = 6) = (2.718)
-6
(6)
4
= 0.13392
4!
EJEMPLO 4
Diapositiva 12
EJEMPLO 5
La probabilidad de tener un accidente de trfico cada vez que
se viaja es de 0,02, si se realizan 300 viajes, Cul es la
probabilidad de tener 3 accidentes?

Como la probabilidad de que ocurra un accidente p = 0.02 < 0,05, y n =300 > 20,
entonces aplicamos el modelo de distribucin de Poisson.
( )( ) 6 02 . 0 300 = = = np
0892 . 0
! 3
6
) 3 (
3 6
= = =

e
X P
Por lo tanto, la probabilidad de tener 3
accidentes de trfico en 300 viajes es
del 8,9%
Diapositiva 13
En la edificacin de cada conjunto habitacional del programa Mi vivienda la
probabilidad de que un trabajador tenga un accidente es de es de 0,012. Si se
realizan 800 conjuntos habitacionales, Cul es la probabilidad de que
sucedan 5 accidentes?

La probabilidad de que un trabajador sufra un accidente es p = 0.012 < 0,05, y
n =800 > 20, entonces aplicamos el modelo de distribucin de Poisson.
EJEMPLO 6
Por lo tanto, la probabilidad de que ocurran 5 accidentes
en 800 construcciones es del 4,6%.

( )( ) 6 . 9 012 . 0 800 = = = np
046 . 0
! 5
6 . 9
) 5 (
5 6 . 9
= = =

e
X P
Diapositiva 14
RECOMENDACIONES PRCTICAS:

Frente a un problema concreto, analice detenidamente todas sus
caractersticas, y al elegir el modelo apropiado, verifique que se
cumplan todos los supuestos del mismo.

No olvide emplear la distribucin de Poisson a la binomial en
aquellos casos en que p es pequeo y n es grande.

En el caso de variables aleatorias discretas, es importante
diferenciar si la probabilidad deseada incluye o no el valor
particular de la variable. Es decir, que P(X > x) no es lo mismo que
P(X > x) y P (X < x) es distinto de P(X < x).