CARRERA: ING.

INDUSTRIAL

DOCENTE: ING. MIGUEL A. LOPEZ VELAZQUEZ.

MATERIA: INVESTIGACIN DE OPERACIONES II.

TRABAJO: DISTRIBUCIN DE POISSON.

ALUMNO: MARIO SAMUEL HID GONZLEZ

GRADO Y GRUPO: 501 E

FECHA DE ENTREGA: 25 DE OCTUBRE DE 2014.

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

Entonces se puede afirmar, que la variable aleatoria mencionada en los

fenmenos descritos es una variable de Poisson.

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:

 Una poblacin de clientes, que es el conjunto de los clientes posibles.

Un proceso de llegada, que es la forma en que llegan los clientes de esa
poblacin.
Un proceso de colas, que est conformado por la manera que los clientes
esperan para ser atendidos y la disciplina de colas, que es la forma en que
son elegidos para proporcionarles el servicio.
Un proceso de servicios, que es la forma y la rapidez con la que es
atendido el cliente
Proceso de salida, que son de los siguientes dos tipos:
A. Los elementos abandonan completamente el sistema despus de ser
atendidos, lo que tiene como resultado un sistema de colas de un paso.
Por ejemplo los clientes de un banco esperan en una sola fila, son
atendidos por uno de los tres cajeros y, despus que son atendidos
abandonan el sistema.
B. Los productos, ya que son procesados en una estacin de trabajo, son
trasladados a alguna otra parte para someterlos a otro tipo de proceso,
lo que tiene como resultado una red de colas. Por ejemplo, los productos
primero son procesados en la estacin de trabajo A y despus son
enviadas a la estacin de trabajo B o C. Los productos terminados en
ambas estaciones, B y C, luego son procesados en la estacin D, antes
de abandonar el sistema.

ELEMENTOS
QUE
LA TEORA DE COLAS

CONFORMAN

Proceso Bsico de Colas: Los clientes que requieren un servicio se generan en

una fase de entrada. Estos clientes entran al sistema y se unen a una cola. En
determinado momento se selecciona un miembro de la cola, para proporcionarle el
servicio, mediante alguna regla conocida como disciplina de servicio. Luego, se
lleva a cabo el servicio requerido por el cliente en un mecanismo de servicio,
despus de lo cual el cliente sale del sistema de colas.
Fuente de Entrada o Poblacin Potencial: Es un conjunto de individuos (no
necesariamente seres vivos) que pueden llegar a solicitar el servicio en cuestin.
Podemos considerarla finita o infinita. Aunque el caso de infinitud no es realista, s
permite (por extrao que parezca) resolver de forma ms sencilla muchas
situaciones en las que, en realidad, la poblacin es finita pero muy grande. Dicha

suposicin de infinitud no resulta restrictiva cuando, an siendo finita la poblacin

potencial, su nmero de elementos es tan grande que el nmero de individuos que
ya estn solicitando el citado servicio prcticamente no afecta a la frecuencia con
la que la poblacin potencial genera nuevas peticiones de servicio.
Cliente: Es todo individuo de la poblacin potencial que solicita servicio.
Suponiendo que los tiempos de llegada de clientes consecutivos son 0 < t1< t2<...,
ser importante conocer el patrn de probabilidad segn el cual la fuente de
entrada genera clientes. Lo ms habitual es tomar como referencia los tiempos
entre las llegadas de dos clientes consecutivos: T{k} = tk - tk-1, fijando
su distribucin de probabilidad. Normalmente, cuando la poblacin potencial es
infinita se supone que la distribucin de probabilidad de los Tk (que ser la
llamada distribucin de los tiempos entre llegadas) no depende del nmero de
clientes que estn en espera de completar su servicio, mientras que en el caso de
que la fuente de entrada sea finita, la distribucin de los Tk variar segn el
nmero de clientes en proceso de ser atendidos.
Capacidad de la Cola: Es el mximo nmero de clientes que pueden estar
haciendo cola (antes de comenzar a ser servidos). De nuevo, puede suponerse
finita o infinita. Lo ms sencillo, a efectos de simplicidad en los clculos, es
suponerla infinita. Aunque es obvio que en la mayor parte de los casos reales la
capacidad de la cola es finita, no es una gran restriccin el suponerla infinita si es
extremadamente improbable que no puedan entrar clientes a la cola por haberse
llegado a ese nmero lmite en la misma.

Disciplina de la Cola: Es el modo en el que los clientes son seleccionados para

ser servidos. Las disciplinas ms habituales son:
La disciplina FIFO (first in first out), tambin llamada FCFS (first come first
served): segn la cual se atiende primero al cliente que antes haya llegado.
La disciplina LIFO (last in first out), tambin conocida como LCFS (last
come first served) o pila: que consiste en atender primero al cliente que ha
llegado el ltimo.
La RSS (random selection of service), o SIRO (service in random order),
que selecciona a los clientes de forma aleatoria.
Mecanismo de Servicio: Es el procedimiento por el cual se da servicio a los
clientes que lo solicitan. Para determinar totalmente el mecanismo de servicio
debemos conocer el nmero de servidores de dicho mecanismo (si dicho nmero
fuese aleatorio, la distribucin de probabilidad del mismo) y la distribucin de

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.

La Cola: Propiamente dicha, es el conjunto de clientes que hacen espera, es decir

los clientes que ya han solicitado el servicio pero que an no han pasado al
mecanismo de servicio.
El Sistema de la Cola: Es el conjunto formado por la cola y el mecanismo de
servicio, junto con la disciplina de la cola, que es lo que nos indica el criterio de
qu cliente de la cola elegir para pasar al mecanismo de servicio. Estos elementos
pueden verse ms claramente en la siguiente figura:

Un modelo de sistema de colas debe especificar la distribucin de probabilidad de

los tiempos de servicio para cada servidor.

DISTRIBUCIN DE LOS TIEMPOS DE

SERVICIO Y LLEGADA EN UN SISTEMA DE
COLA
Aunque a veces se sabe exactamente cundo se van a producir las llegadas al
sistema, en general el tiempo que transcurre entre dos llegadas consecutivas se
modela mediante una variable aleatoria. En particular, cuando la fuente es infinita
se supone que las unidades que van llegando al sistema dan lugar a un proceso
estocstico llamado de conteo; si todos los tiempos entre llegadas
son variables aleatorias independientes idnticamente distribuidas, se dice que es
un proceso de renovacin. Usualmente, el proceso que se utiliza es un proceso de
Poisson.
Cuando la fuente es finita se suele asumir que la probabilidad de que se produzca
una llegada en un intervalo de tiempo es proporcional al tamao de la fuente en
ese instante.
Se llama capacidad del servicio al nmero de clientes que pueden ser servidos
simultneamente. Si la capacidad es uno, se dice que hay un solo servidor (o que
el sistema es mono canal) y si hay ms de un servidor, multicanal. El tiempo que
el servidor necesita para atender la demanda de un cliente (tiempo de servicio)
puede ser constante o aleatorio.
Parmetros de la teora de cola
- ?n = Tasa media de llegadas de nuevos clientes cuando hay n clientes en el
sistema (nmero promedio de llegadas por unidad de tiempo).
- 1/? = Tiempo promedio entre llegadas.
- n = Tasa media de servicio de nuevos clientes cuando hay n clientes en el
sistema (nmero promedio de clientes al cual puede dar servicio la instalacin en
una unidad de tiempo, suponiendo que no hay escasez de clientes).
- 1/ = Tiempo promedio servicio.
- Lq = Nmero esperado de clientes en la cola (excluye los clientes que estn en
servicio).
- L = Nmero esperado de clientes que se atienden y/o esperan en el sistema.

- Wq = Tiempo estimado que emplea un cliente esperando en la cola.

- W = Tiempo estimado que emplea un cliente esperando ms el que emplea
siendo atendido (tiempo esperado en el sistema).
- Po = Probabilidad de encontrar el sistema vaco u ocioso.
- Pn = Probabilidad de encontrar exactamente n clientes en el sistema.
- ? = Fraccin esperada de tiempo que los servidores individuales estn
ocupados.

MODELOS DE LA TEORA DE COLA

MODELO DE LA COLA INFINITA, FUENTE INFINITA Y UNA UNIDAD DE
SERVICIO.
Para este modelo se considera lo siguiente:
1.- Las llegadas son aleatorias y provienen de una distribucin de
probabilidad de Poisson o de Markov.
2.- Se supone que el tiempo de servicio es tambin una variable aleatoria
que sigue una distribucin exponencial o de Markov. Se supone adems que los
tiempos de servicios son independientes entre s e independientes del proceso de
llegada.
3.- Slo hay una unidad de servicio.
4.- La disciplina de cola se basa en el principio FIFO (primero en llegar
primero en salir) y no hay un lmite para el tamao de la cola.
5.- Las tasas de llegadas y de servicio no cambian con el tiempo. El
proceso ha estado en operacin el tiempo suficiente para eliminar los efectos de
las condiciones iniciales.

para n = 0,1,2,3,--.

para n = 1,2,3, --..

Probabilidad de encontrar exactamente n clientes en el sistema:

Probabilidad de encontrar el sistema vacio:

Factor de utilizacin:

Nmero estimado de clientes que esperan ser atendidos:

Nmero estimado de clientes en el sistema, ya sea esperado en la cola y/o siendo

atendidos:

Tiempo estimado que emplea un cliente esperando en la cola:

Tiempo estimado que emplea un cliente en el sistema:

- Probabilidad de que el tiempo empleado (T) exceda a un valor particular t:

a) Incluyendo el tiempo de servicio.

b) Excluyendo el tiempo de servicio.

MODELO DE LA COLA INFINITA, FUENTE INFINITA Y UNA UNIDAD DE

SERVICIO MLTIPLE.
Para este modelo de considera lo siguiente:
1.- Las llegadas son aleatorias y provienen de una distribucin de
probabilidad de Poisson o de Markov.
2.- Se supone que el tiempo de servicio es tambin una variable aleatoria
que sigue una distribucin exponencial o de Markov. Se supone adems que los
tiempos de servicios son independientes entre s e independiente del proceso de
llegada.
3.- Hay varias unidades de servicio.
4.- La disciplina de cola se basa en el principio FIFO (primero en llegar
primero en salir) y no hay un lmite para el tamao de la cola.
5.- Las tasas de llegadas y de servicio no cambian con el tiempo. El
proceso ha estado en operacin el tiempo suficiente para eliminar los efectos de
las condiciones iniciales.

para n = 0,1,2,3,--.

S: nmero de unidades de servicio.

Probabilidad de encontrar exactamente n clientes en el sistema:

Probabilidad de encontrar el sistema vacio:

Factor de utilizacin:

Nmero estimado de clientes que esperan ser atendidos:

Nmero estimado de clientes en el sistema, ya sea esperado en la cola y/o siendo

atendidos:

Tiempo estimado que emplea un cliente esperando en la cola:

Tiempo estimado que emplea un cliente en el sistema:

Probabilidad de que el tiempo empleado (T) exceda a un valor particular t:

Incluyendo el tiempo de servicio.

Cuando

debe sustituirse por & t.

MODELO DE LA COLA FINITA, FUENTE INFINITA Y UNA UNIDAD DE

SERVICIO.
Para este modelo de considera lo siguiente:
1.- Las llegadas son aleatorias y provienen de una distribucin de
probabilidad de Poisson o de Markov.
2.- Se supone que el tiempo de servicio es tambin una variable aleatoria
que sigue una distribucin exponencial o de Markov. Se supone adems que los
tiempos de servicios son independientes entre s e independiente del proceso de
llegada.

3.- Hay una unidad de servicio.

4.- La disciplina de cola se basa en el principio FIFO (primero en llegar
primero en salir) y no hay un lmite para el tamao de la cola.
5.- Las tasas de llegadas y de servicio no cambian con el tiempo. El
proceso ha estado en operacin el tiempo suficiente para eliminar los efectos de
las condiciones iniciales.
6.- No se permite que el nmero de clientes exceda un nmero especificado
(M). A cualquier cliente que llega cuando la cola est llena se le niega la entrada al
sistema y este cliente lo deja para siempre.

para n = 1,2,3,--.
M: nmero mximo de clientes en el sistema.
Probabilidad de encontrar exactamente n clientes en el sistema:

Probabilidad de encontrar el sistema vacio:

Factor de utilizacin:

Nmero estimado de clientes en el sistema, ya sea esperando en la cola y/o

atendidos:

Nmero estimado de clientes que esperan ser atendidos:

Tiempo estimado que emplea un cliente esperando en la cola:

Tiempo estimado que emplea un cliente en el sistema:

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).

Pn = 0.3 (7 / 10)n, una frmula para descubrir la posibilidad de que n se

encuentre en el sistema en cualquier momento dado: n = 1, 2, 3,.......; P1 = 0.21,
P2 = 0.147; P3 = 0.1029; etc.
Lq =

72

= 1.63; en promedio 1.63 clientes estarn en la cola.

10 (10 - 7)

Ls = 7 / (10 - 7) = 2.33; en promedio 2.33 clientes estarn en el sistema (en la

cola y en servicio).
Wq = 7 = 0.233; el cliente pasa un promedio de 0.233 horas esperando
en la 10 (10 - 7) cola.
Ws = 1 / (10 - 7) = 0.333; el cliente pasa un promedio de 0.333 horas en
el sistema (en la cola en servicio).
Si los clientes se alejan del cajero siempre que existan 3 o ms clientes
antes que ellos en el sistema, la proporcin de clientes perdida es:
1- (P0 - P1 - P2 - P3).
= 1- (0.3 - 0.21 - 0.147 - 0.1029) = 0.2401
En este caso se perder el 24% de los clientes debido a que la espera es
demasiado larga.

Ahora es posible evaluar el desempeo del sistema de colas.

El administrador tendr que tomar en consideracin el tiempo perdido del
prestador del servicio ( 30% ), el tiempo que espera el cliente ( 0.233 horas ) y la
longitud de la lnea que se forma ( 1.63 clientes). Si este rendimiento es
inaceptable se puede colocar un segundo prestador del servicio o hacer otros
cambios en las caractersticas de las llegadas, de la cola o del portador de los
servicios.

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.

Ws = W Wq ; Ws = 2 min 1,4 min; Ws = 0,6 min En promedio el tiempo que

tarda un servicio corresponde a ,6 minutos.

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

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.
Por otro lado es evidente que se trata de un modelo discreto y que el campo de
variacin de la variable ser el conjunto de los nmeros naturales, incluidos el
cero:

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

grfica para un modelo de media 11 Sera la adjunta.

valores prximos en la media y su

forma parecida a la campana de Gauss , en definitiva , a la distribucin normal

La funcin de distribucin vendr dada por:

Funcin Generatriz de Momentos

Su expresin ser:

Dado

que

tendremos

que

Para la obtencin de la media y la varianza aplicaramos la F.G.M.; derivndola

sucesivamente e igualando t a cero.
As.

Una vez obtenida la media, obtendramos la varianza en base a:

Haciendo

As se observa que media y varianza coinciden con el parmetro del modelo

siendo,
En cuanto a la moda del modelo tendremos que ser el valor de la variable que
tenga mayor probabilidad, por tanto si Mo es el valor modal se cumplir
que:

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

igual a la suma de los de ambas:

En base a las F.G.M para X

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

Convergencia de la distribucin binomial a la Poisson

Se puede probar que la distribucin binomial tiende a converger a la
distribucin de Poisson cuando el parmetro n tiende a infinito y el parmetro p
tiende a ser cero, de manera que el producto de n por p sea una cantidad
constante. De ocurrir esto la distribucin binomial tiende a un modelo de Poisson
de parmetro igual a n por p
Este resultado es importante a la hora del clculo de probabilidades, o, incluso a la
hora de inferir caractersticas de la distribucin binomial cuando el nmero de
pruebas sea muy grande
pequea

y la probabilidad de xito sea muy

El resultado se prueba, comprobando como la funcin de cuanta de una

distribucin binomial con

tiende a una funcin de cuanta de

una distribucin de Poisson con

cantidad constante (un valor finito)

siempre que este producto sea una

En efecto: la funcin de cuanta de la binomial es Y llamamos

tendremos que:

Realizando que es la funcin de cuanta de una distribucin de Poisson

ESTIMACIN BAYESIANA SOBRE MUESTRAS DE POISSON.

Anlogamente a como plantebamos el problema de necesitar estimar la
proporcin de una caracterstica, en el caso de un modelo binomial , en alguna
situacin prctica , podemos estar interesados en determinar el parmetro
desconocido de una distribucin de Poisson. Por ejemplo podramos estar
interesados en determinar el nmero medio de clientes que acuden a una
ventanilla de una oficina pblica.
El planteamiento de la estimacin podra hacerse utilizando informacin
suministrada por una experiencia {la observacin de cuntos hechos se producen
en un intervalo experimental), conjuntamente con algn otro tipo de informacin a
priori .En este caso, estaramos, como ya comentbamos en el caso binomial ante
un planteamiento bayesiano del problema.
La solucin requerir que dispongamos de una informacin inicial que puede
especificarse a travs de una distribucin a priori de probabilidad. De manera que

la funcin de cuanta de esta distribucin a priori (o su f. de densidad si fuera

continua) nos asigne probabilidades a cada posible valor del parmetro.
Utilizando nicamente la informacin inicial la estimacin sera la media de la
distribucin a priori.
Pero realizando una experiencia podremos mejorar la informacin acerca
de Si observamos la realizacin de hechos durante un intervalo experimental y
se producen x hechos, para cada posible valor de
remos calcular su
verosimilitud definida como la probabilidad de que se d ese resultado si el valor
de es el considerado:

Obviamente esta probabilidad condicionada ser la funcin de cuanta de una

distribucin de Poisson con

. para el valor de la variable x.

Finalmente podemos calcular las probabilidades de cada valor alternativo de,

condicionada al resultado de la experiencia aplicando el teorema de Bayes:

Estas probabilidades finales (a posteriori) constituirn la funcin de cuanta de la

distribucin a posteriori que nos dar cuenta de toda la informacin disponible
(tanto muestral como no muestral)
La estimacin mejorada del parmetro ser, entonces, la media de la
distribucin a posteriori.
Planteamos un ejemplo:
Tres ejecutivos del Insalud opinan que el nmero medio de pacientes que llegan
a cierto servicio nocturno de guardia durante una hora es 2 , segn el primero, 3 ,
segn el segundo, y 5 segn 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 decisin de asignacin de personal en ese servicio quieren

estimar el nmero 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 informacin la van a combinar con la inicial a travs de
un proceso Bayesiano :cmo lo haran?
La distribucin a priori ser tal que deber asignarse el doble de probabilidad a la
alternativa propuesta por el primer experto que a las de los otros dos. As que
ser:
i

iJ

0,5

0,25

0,25

De manera que la estimacin inicial sera, la media de la distribucin a priori:

Realizada la experiencia, las verosimilitudes de las tres alternativas nos vendrn

dadas por la funcin de cuanta de la distribucin de Poisson,
con
i
2

0,180447

0,224042

0,140374

La funcin de cuanta de la distribucin a posteriori la obtendremos aplicando el

Teorema de Bayes y resultar ser:
i

0,497572

0,308891

0,193536

Esta distribucin a posteriori nos dar cuenta de toda la informacin disponible

acerca del parmetro desconocido, (nmero medio de pacientes por hora); tanto
de la informacin subjetiva de los expertos (convenientemente ponderada) como
de la informacin emprica suministrada por la observacin.
A partir de esta distribucin a posteriori podemos plantear nos dar un valor
concreto para la estimacin de considerando una funcin de prdida cuadrtica.
La estimacin adecuada sera la media de la distribucin a posteriori:
28895 PACIENTES POR HORA.

BIBLIOGRAFA:

CG Times,Times New Roman. (13 de marzo de 2006). DISTRIBUCIN DE POISSON

. 21 de octubre de 2014, de CG Times,Times New Roman Sitio web:
http://www.uv.es/ceaces/base/modelos%20de%20probabilidad/poisson.htm

Maria Lucila. (29 de ene. de 2014). Teora de colas. 21 de octubre de 2014, de

monografas Sitio web: http://www.monografias.com/trabajos71/teoriacolas/teoria-colas2.shtml