Esta distribucin es una de las ms importantes distribuciones de variable discreta. Sus
principales aplicaciones hacen referencia a la modelizacin de situaciones en las que nos interesa determinar el nmero de hechos de cierto tipo que se pueden producir en un intervalo de tiempo o de espacio, bajo presupuestos de aleatoriedad y ciertas circunstancias restrictivas. Otro de sus usos frecuentes es la consideracin lmite de procesos dicotmicos reiterados un gran nmero de veces si la probabilidad de obtener un xito es muy pequea . Proceso experimental del que se puede hacer derivar Esta distribucin se puede hacer derivar de un proceso experimental de observacin en el que tengamos las siguientes caractersticas Se observa la realizacin de hechos de cierto tipo durante un cierto periodo de tiempo o a lo largo de un espacio de observacin Los hechos a observar tienen naturaleza aleatoria; pueden producirse o no de una manera no determinstica. La probabilidad de que se produzcan un nmero x de xitos en un intervalo de amplitud t no depende del origen del intervalo (Aunque, s de su amplitud) La probabilidad de que ocurra un hecho en un intervalo infinitsimo es prcticamente proporcional a la amplitud del intervalo. La probabilidad de que se produzcan 2 o ms hechos en un intervalo infinitsimo es un infinitsimo de orden superior a dos. En consecuencia, en un intervalo infinitsimo podrn producirse O 1 hecho pero nunca ms de uno Si en estas circunstancias aleatorizamos de forma que la variable aleatoria X signifique o designe el "nmero de hechos que se producen en un intervalo de tiempo o de espacio", la variable X se distribuye con una distribucin de parmetro . As : El parmetro de la distribucin es, en principio, el factor de proporcionalidad para la probabilidad de un hecho en un intervalo infinitsimo. Se le suele designar como parmetro de intensidad, aunque ms tarde veremos que se corresponde con el nmero medio de hechos que cabe esperar que se produzcan en un intervalo unitario (media de la distribucin); y que tambin coincide con la varianza de la distribucin.
DISTRIBUCIN DE POISSON. Caractersticas: En este tipo de experimentos los xitos buscados son expresados por unidad de rea, tiempo, pieza, etc, etc,: - # de defectos de una tela por m 2
- # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc, etc. - # de bacterias por cm 2 de cultivo - # de llamadas telefnicas a un conmutador por hora, minuto, etc, etc. - # de llegadas de embarcaciones a un puerto por da, mes, etc, etc. Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo, rea, o producto, la frmula a utilizar sera:
donde: p(x, ) = probabilidad de que ocurran x xitos, cuando el nmero promedio de ocurrencia de ellos es = media o promedio de xitos por unidad de tiempo, rea o producto = 2.718 x = variable que nos denota el nmero de xitos que se desea que ocurra
Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren por unidad de tiempo, rea o producto es totalmente al azar y que cada intervalo de tiempo es independiente de otro intervalo dado, as como cada rea es independiente de otra rea dada y cada producto es independiente de otro producto dado. DISTRIBUCIN EXPONENCIAL. A pesar de que la distribucin Normal puede utilizarse para resolver muchos problemas en ingeniera y ciencias, existen an numerosas situaciones que requieren diferentes tipos de funciones de densidad, tales como la exponencial y la gamma y algunas otras como la weibull, etc., etc., de momento solo trataremos sobre el uso de la exponencial. Resulta que la exponencial es un caso especial de la distribucin gamma, ambas tienen un gran nmero de aplicaciones. Las distribuciones exponencial y gamma juegan un papel importante tanto en teora de colas como en problemas de confiabilidad. El tiempo entre las llegadas en las instalaciones de servicio y el tiempo de falla de los componentes y sistemas elctricos, frecuentemente involucran la distribucin exponencial. La relacin entre la gamma y la exponencial permite que la distribucin gamma se utilice en tipos similares de problemas.
Relacin con el proceso de Poisson. Las aplicaciones ms importantes de la distribucin exponencial son aquellas situaciones en donde se aplica el proceso de Poisson , es necesario recordar que un proceso de Poisson permite el uso de la distribucin de Poisson. Recurdese tambin que la distribucin de Poisson se utiliza para calcular la probabilidad de nmeros especficos de eventos durante un perodo o espacio particular. En muchas aplicaciones, el perodo o la cantidad de espacio es la variable aleatoria. Por ejemplo un ingeniero industrial puede interesarse en el tiempo T entre llegadas en una interseccin congestionada durante la hora de salida de trabajo en una gran ciudad. Una llegada representa el evento de Poisson. La relacin entre la distribucin exponencial (con frecuencia llamada exponencial negativa) y el proceso llamado de Poisson es bastante simple. La distribucin de Poisson se desarroll como una distribucin de un solo parmetro , donde puede interpretarse como el nmero promedio de eventos por unidad de tiempo . Considrese ahora la variable aleatoria descrita por el tiempo que se requiere para que ocurra el primer evento. Mediante la distribucin de Poisson, se encuentra que la probabilidad de que no ocurran en el espacio hasta el tiempo t est dada por: ;
Ahora puede utilizarse lo anterior y hacer que X sea el tiempo para el primer evento de Poisson. La probabilidad de que el perodo hasta que ocurre el primer evento de Poisson exceda x es la misma que la probabilidad de que no ocurra un evento de Poisson en x. Esto ltimo por supuesto est dado por . Como resultado, P(X x) =
Entonces, la funcin de distribucin acumulada para x es:
P(0 X x) = 1 -
Ahora, con objeto de que se reconozca la presencia de la distribucin exponencial, puede derivarse la distribucin acumulada anterior para obtener la funcin de densidad:
f(x) =
La cual es la funcin de densidad de la distribucin exponencial con . Ntese que la media de la distribucin exponencial es el parmetro , el recproco del parmetro en la distribucin de Poisson. El lector debe recordar que con frecuencia se dice que la distribucin de Poisson no tiene memoria, lo cul implica que las ocurrencias en perodos de tiempo sucesivos son independientes. Aqu el parmetro importante es el tiempo promedio entre eventos. En teora de la confiabilidad, donde la falla de un equipo concuerda con el proceso de Poisson, recibe el nombre de tiempo promedio entre fallas. Muchas descomposturas de equipo siguen el proceso de Poisson, y entonces la distribucin exponencial es aplicable. En el siguiente ejemplo se muestra una aplicacin simple de la distribucin exponencial en un problema de confiabilidad. La distribucin binomial tambin juega un papel importante en la solucin.