LA DISTRIBUCIN DE POISSON.

La Distribucin de Poisson se llama as en honor a Simen Denis Poisson (17811840), Matemtico, astrnomo, mecnico y fsico francs, que desarroll esta distribucin basndose en estudios efectuados en la ltima parte de su vida. El desarroll importantes aportes a la fsica (elasticidad, magnetismo, calor, capilaridad, mecnica celeste, entre otras) y a la matemtica (teora de nmeros, probabilidad, series de Fourier, entre otras). Antecedentes del mtodo y Ejemplos Se utiliza para determinar la probabilidad de que ocurra un nmero determinado de eventos cuando estos ocurren en un continuo (intervalo de tiempo y espacio). Los eventos son independientes y el proceso es estacionario. Se utiliza con mucha frecuencia para describir el nmero de llegadas de clientes por hora, el N de accidentes industriales al mes, el N de conexiones elctricas defectuosas por millas de cableado de un sistema de alimentacin de energa a una ciudad, o el N de mquinas que se averan y esperan reparacin, la distribucin de las llamadas telefnicas que llegan a un computador por hora, la demanda (necesidades) de servicios en una institucin asistencial por parte de los pacientes diarias, los arribos de los camiones y automviles a la caseta de cobro y el nmero de accidentes en un cruce en un tiempo determinado. Los ejemplos citados tienen un elemento en comn, pueden ser descritos por una variable aleatoria discreta que asume valores enteros (0, 1, 2, 3, 4, 5 y as sucesivamente). Y adems en cada uno de estos casos (clientes, accidentes, defectos, mquinas, etc.) se miden por unidad de tiempo o espacio (distancia). El nmero de enfermos que llegan a un consultorio en cierto intervalo de tiempo ser de 0, 1, 2, 3, 4, 5 o algn otro nmero entero. De manera anloga, si se cuenta el nmero de automviles que llegan a una caseta de cobro durante un periodo de diez minutos, el nmero ser entero. Para la aplicacin de la Distribucin de Poisson es necesario hacer dos hiptesis, las cuales adems se explicaran a travs de un ejemplo: Ejemplo: El nmero de vehculos que pasan por una caseta de cobro en las horas de mayor trfico sirve como ejemplo para mostrar las caractersticas de una distribucin de probabilidad de Poisson. El promedio (media) de los arribos de vehculos por hora de gran trfico puede estimarse a partir de los datos anteriores del trfico. Si se

dividen las horas de gran trfico en periodos (intervalos) de un segundo cada uno, encontraremos que los siguientes enunciados son verdaderos: Hiptesis: a) La probabilidad de que ocurra el suceso es constante para dos intervalos de tiempos o espacios cualesquiera. Ejemplo: la probabilidad de que exactamente un vehculo llegue por segundo a una caseta individual es un nmero muy pequeo y es constante para cada uno de los intervalos de un segundo. b) La aparicin de un suceso en cualquier intervalo es independiente de su aparicin en cualquier otro intervalo. Ejemplo: El nmero de llegadas en cualquier intervalo de un segundo no depende del nmero de arribos de cualquier otro intervalo de un segundo. Con estas hiptesis, la funcin de probabilidad de Poisson, se puede expresar as:

Frmula para determinar la probabilidad de un N determinado de xitos N en una distribucin de Poisson. Dnde: x: es el nmero de veces que ocurre el suceso; por lo tanto el suceso puede ocurrir x veces. : es el nmero medio de ocurrencias por unidad de tiempo o espacio; es decir es un parmetro positivo, y que indica el n de veces que se espera que ocurra el fenmeno durante un intervalo de tiempo dado, Ejemplo: si un suceso estudiado tiene lugar en promedio 4 veces por minuto, y estamos interesados en la probabilidad de que ocurra x veces, dentro de un intervalo de 10 minutos, se dice entonces es una distribucin de Poisson con = 10x4= 40. e: 2,71828183 es la base del sistema de logaritmo natural. Nota: El valor esperado (la media a largo plazo) de una distribucin de Poisson es igual a la media de la distribucin (E(x) = ), y la varianza del N de eventos de

una distribucin de probabilidad de Poisson es igual a la media de la distribucin (V(x) = ). Ejemplo: Supngase que estamos investigando la seguridad de un crucero muy peligroso. Los archivos de la polica indican una media de cinco accidentes por mes en l. El nmero de accidentes est distribuido conforme a la distribucin de Poisson, y la divisin de seguridad en carreteras quiere calcular la probabilidad de exactamente 0, 1, 2, 3, y 4 accidentes en un mes determinado. Aplicando la frmula: P (x=0 / =5) = (5)0 (e-5) /0! = 1 x 0.00674/ 1= 0.00674 P (x=1 / =5) = (5)1 (e-5) /1! = 5 x 0.00674/ 1 = 0.0337 P (x=2 / =5) = (5)2 (e-5) /2! = 25 x 0.00674/ 2 = 0.0842 P (x=3 / =5) = (5)3 (e-5) /3! = 125 x 0.00674/ 6 = 0.1404 P (x=4 / =5) = (5)4 (e-5) /4! = 625 x 0.00674/ 24 = 0.1755 Y por otro lado, si queremos saber cul es la probabilidad en 3 o menos, se aplica la ley de la adicin para eventos mutuamente excluyentes, por lo tanto sumaremos las probabilidades de 0, 1, 2, 3, lo que ser igual a: P (0) = 0.00674 P (1) = 0.0337 P (2) = 0.0842 P (3) = 0.1404 P (3 o menos) = 0.26504 Se podra decir que, dado que la probabilidad de que haya 3 o menos accidentes es de 0.26504 entonces la probabilidad de que ocurran ms de tres debe ser = 1 0.26504 = 0.73496. Aproximacin de Poisson a Probabilidades Binomiales. Cuando el nmero de observaciones o ensayo, n, en un proceso de Bernoulli es grande, los clculos resultan ser bastante laboriosos, adems no es comn que estn disponibles probabilidades tabuladas para valores muy pequeos de p. La Distribucin de Poisson es apropiada como aproximacin de las probabilidades binomiales, cuando n es grande y p o q son pequeas. Como regla prctica, se adopta que la aproximacin tiene una exactitud razonable, si n 30 y/o np < 5 o nq < 5, tambin puede ser n 20 y p 0,10.

La media de la distribucin de probabilidad de Poisson que se utiliza para aproximar probabilidades binomiales es:

= np Dnde: : es el nmero medio de ocurrencias por unidad de tiempo o espacio n: nmero de ensayos en observacin p: probabilidad de xito en cada uno de los ensayos Ejemplo: Se sabe que el 1% de los artculos de un envo grande de transistores de un proveedor tiene defectos, si se elige una muestra de 30 transistores al azar, puede determinar la probabilidad de que 2 o ms de ellos tengan defectos utilizando las probabilidades binomiales. Frmula para determinar la probabilidad de un nmero determinado de xitos en una distribucin binomial. n = n! qn-x x x! (n-x)! * px

P = 1% = 0.01 n = 30 x2 p (x 2) = 1 p (x<2) = 1 (p (x=0) + p (x=1)) P (x = 0) = C0 (0,01)0 (0,99)30-0

30

= 30 ! * 1 * (0,99)30-0 0 ! (30-0) !

= 30 ! *0,9930 1* 30! P (x =0) = 0,73970

P (x = 1) =

30

C1 (0,01)1 (0,99)30-1

= 30 ! * 0,01 * (0,99)30-1 1 ! (30-1) ! = 30 ! *0,01* 0,9929 1* 29! P (x =1) = 0,22415 Por lo tanto : 1- (0,73970 + 0,22415) = 0,0361 probabilidad de que dos o ms tengan defectos. Segn la Distribucin de Poisson, utilizando el apndice 4. 1 = np =30*0,01= 0,3 p(x 2/ =0,3) = p (x=2) + p ( x=6) = 0,0368 La diferencia entre la aproximacin de Poisson y el valor real de probabilidad binomial, es solamente: 0,0368 - 0,0361= 0,0007.

Apndice 4.