Documente Academic
Documente Profesional
Documente Cultură
INDUSTRIAL
DISTRIBUCION DE POISSON.
Esta distribucin debe su nombre al matemtico francs Simn Poisson (17811840), quien estableci su modelo.
Existen fenmenos o experimentos en los que los eventos ocurren en intervalos
continuos de tiempo o espacio (reas y volmenes), donde slo importa la
ocurrencia del fenmeno, ya que la no ocurrencia no tiene sentido. Por ejemplo, si
en cierta regin ocurren en promedio 2 terremotos por ao, la variable aleatoria
ser el nmero de terremotos por ao y es claro que no tiene sentido hablar del
nmero de no terremotos por ao. Lo mismo sucede para otros fenmenos, como
el nmero de errores en una pgina, derrumbes anuales en una regin
montaosa, accidentes de trfico diarios en cierto crucero, personas atendidas en
un banco en un perodo de 10 minutos, partculas de polvo en cierto volumen de
aire, nacimientos de nios en un periodo de tiempo, rayos que caen en una
tormenta, llamadas que llegan a un conmutados telefnico en un minuto, insectos
por planta en un cultivo, etc. Tambin es de importancia mencionar que cada
ocurrencia puede considerarse como un evento en un intervalo de tiempo
determinado.
Si consideramos que:
1. La esperanza de ocurrencia de un evento en un intervalo es la misma que
la esperanza de ocurrencia del evento en otro intervalo cualesquiera, sin
importar donde empiece el intervalo
2. Que las ocurrencias de los eventos son independientes, sin importar
donde ocurran
3. Que la probabilidad de que ocurra un evento en un intervalo de tiempo
depende de la longitud del intervalo
4. Que las condiciones del experimento no varan, y
5. Que nos interesa analizar el nmero promedio de ocurrencias en el
intervalo
TEORA DE COLA
La teora de colas es el estudio matemtico del comportamiento de lneas de
espera. Esta se presenta, cuando los "clientes" llegan a un "lugar" demandando un
servicio a un "servidor", el cual tiene una cierta capacidad de atencin. Si el
servidor no est disponible inmediatamente y el cliente decide esperar, entonces
se forma la lnea de espera.
Una cola es una lnea de espera y la teora de colas es una coleccin
de modelos matemticos que describen sistemas de lnea de espera particulares o
sistemas de colas. Los modelos sirven para encontrar un buen compromiso entre
costes del sistema y los tiempos promedio de la lnea de espera para un sistema
dado.
Los sistemas de colas son modelos de sistemas que proporcionan servicio. Como
modelo, pueden representar cualquier sistema en donde los trabajos o clientes
llegan buscando un servicio de algn tipo y salen despus de que dicho servicio
haya sido atendido. Podemos modelar los sistemas de este tipo tanto como colas
sencillas o como un sistema de colas interconectadas formando una red de colas.
El modelo de colas sencillo puede usarse para representar una situacin tpica en
la cual los clientes llegan, esperan si los servidores estn ocupados, son servidos
por un servidor disponible y se marchan cuando se obtiene el servicio requerido.
Con frecuencia, las empresas deben tomar decisiones respecto al caudal
de servicios que debe estar preparada para ofrecer. Pero, por otro lado, carecer
de la capacidad de servicio suficiente causa colas excesivamente largas en ciertos
momentos. Cuando los clientes tienen que esperar en una cola para recibir
nuestros servicios, estn pagando un coste, en tiempo, ms alto del que
esperaban. Las lneas de espera largas tambin son costosas por tanto para la
empresa ya que producen prdida de prestigio y prdida de clientes. El problema
es determinar qu capacidad o tasa de servicio proporciona el balance correcto.
La teora de las colas en si no resuelve directamente el problema, pero contribuye
con la informacin vital que se requiere para tomar las decisiones concernientes
prediciendo algunas caractersticas sobre la lnea de espera: probabilidad de que
se formen, el tiempo de espera promedio.
Caractersticas
Las siguientes caractersticas se aplican a los sistemas de colas:
ELEMENTOS
QUE
LA TEORA DE COLAS
CONFORMAN
probabilidad del tiempo que le lleva a cada servidor dar un servicio. En caso de
que los servidores tengan distinta destreza para dar el servicio, se debe
especificar la distribucin del tiempo de servicio para cada uno.
para n = 0,1,2,3,--.
Factor de utilizacin:
para n = 0,1,2,3,--.
Factor de utilizacin:
Cuando
para n = 1,2,3,--.
M: nmero mximo de clientes en el sistema.
Probabilidad de encontrar exactamente n clientes en el sistema:
Factor de utilizacin:
EJEMPLO:
Suponga que un cajero bancario puede atender a los clientes a
una velocidad promedio de diez clientes por hora (? = 10). Adems, suponga que
los clientes llegan a la ventanilla del cajero a una tasa promedio de 7 por hora (? =
7). Se considera que las llegadas siguen la distribucin exponencial. En la
condicin uniforme el sistema de colas tendr las siguientes caractersticas de
desempeo.
? = 7 / 10, el prestador del servicio trabajara el 70% del tiempo.
P0 = 1- 7 / 10 = 0.3; 30% del tiempo no habr clientes en el sistema (ni en la cola,
ni recibiendo servicio).
72
EJEMPLO:
Frente a una ventanilla del Banco Estatal se presentan 560 personas diarias
(jornada de 8 horas); el cajero puede dar servicio a 100 personas como promedio
por hora. Con la hiptesis de llegadas Poissonianas y servicios exponenciales,
encontrar el factor promedio de utilizacin del sistema, el tiempo ocioso promedio
en el sistema, la probabilidad que haya 3 clientes en el sistema, el nmero
promedio de personas en el sistema, la cantidad promedio de clientes en la cola,
el tiempo promedio que permanece una persona en el sistema, el tiempo promedio
de un cliente en la fila, el tiempo promedio que tarda un servicio, la probabilidad
que existan 4 personas.
DISTRIBUCIN DE POISSON
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
FUNCIN DE CUANTA
A partir de las hiptesis del proceso, se obtiene una ecuacin diferencial de
definicin del mismo que puede integrarse con facilidad para obtener la funcin de
cuanta de la variable "nmero de hechos que ocurren en un intervalo unitario de
tiempo o espacio
Que
Cuya
sera
representacin
Obsrvense
los
Su expresin ser:
Dado
que
tendremos
que
Haciendo
Y, en particular:
A partir de estas dos desigualdades, es muy sencillo probar que la moda tiene que
verificar:
De manera que la moda ser la parte entera del
parmetro o dicho de otra forma, la parte entera de la media
Podemos observar cmo el intervalo al que debe pertenecer la moda tiene una
amplitud de una unidad , de manera que la nica posibilidad de que una
distribucin tenga dos modas ser que los extremos de este intervalo sean
nmeros naturales, o lo que es lo mismo que el parmetro sea entero, en cuyo
caso las dos modas sern -1 y .
TEOREMA DE ADICIN.
La distribucin de Poisson verifica el teorema de adicin para el parmetro.
"La variable suma de dos o ms variables independientes que tengan una
distribucin de Poisson de distintos parmetros (de distintas medias) se
distribuir, tambin con una distribucin de Poisson con parmetro la suma de
los parmetros (con media, la suma de las medias) :
En efecto:
Sean x e y dos variables aleatorias que se distribuyen con dos distribuciones de
Poisson de distintos parmetros siendo adems x e y independientes
As
e
Debemos probar que la variable Z= x+y seguir una Poisson con parmetro
Para Y
De manera que la funcin generatriz de momentos de Z ser el producto de
ambas
ya
que
son
independientes:
Siendo
la
F.G.M
de
una Poisson
tendremos que:
iJ
0,5
0,25
0,25
0,180447
0,224042
0,140374
0,497572
0,308891
0,193536
BIBLIOGRAFA: