Distribucion de Poisson

Distribucion de Poisson
En el caso de la Distribucin Binomial , la variable de inters era el nro de sucesos en un

intervalo (n pruebas). Muchas veces estamos interesados en el numero de sucesos en
un intervalo continuo que puede ser n intervalo de tiempo, espacio, superficie , volumen, etc.
Asi por ejemplo supongamos que un determinado proceso de fabricacin de perfil de alumnos
aparezcan en media una falla cada 400 metros lo que equivale a
1
400
= 0.0025 fallas por
metro, esa es la frecuencia media de sucesos en el fenmeno que designaremos por
=np=n=t
=np=n=t
o tambin es aplicable si se desea contar en nro de eventos de acuerdo al
tipo que ocurren en un intervalo de tiempo, superficie, volumen , sean los
ejemplos:
i)
ii)
iii)
Numero de llamadas telefnicas recibidas por un PBX durante

cinco minutos.
Numero de fallas de un computador en un dia de operacin.
Numero de accidentes en una carretera en una semana
Definicion: Una v.a.
=np=>0
sigue el modelo de Poisson de parmetro
si su funcin de probabilidad es dada por:
k
e
(
)
P x=k =
k!
Usamos la notacin
; siendo
X Poisson( )
el parmetro
k =0,1,2,
indica a tasa de ocurrencia por
unidad de medida.
Ejemplo. El nro de mensajes electrnicos ( ) recibidos por un proveedor en horario
comercial, fue modelado para una variable de Poisson con tasa de 15 por dia. Las
instalaciones despreciables pueden atender con un estndar de calidad deseado, hasta 2 mil
mensajes diarios. Ud. Dira que ha tenido mucha reclamacin por el servicio del proveedor.
Vamos a evaluar la POSIBILIDAD??DEBE SER de ser recibidos mas de 2 mil mensajes
diarios o 20 centenas en la unidad establecida. Si ella fuese alta tendremos una indicacin
de que el servicio debe estar perdiendo calidad, y por tanto siendo posible de reclamaciones
de los usuarios. Tenemos OBJETOOOO??
20
P ( x >20 ) =1P ( X 20 )=1

k =0
e15 15 k
=0.083
k!
==15 CADA DIA ? ? ?

Esta probabilidad indica que un 8.3% de los das, el servicio estar trabajando debajo de la
calidad deseada debido al exceso de los mensajes. De este modo los usuarios no deben estar
contentos con el PROVEEDOR?? y el ndice de reclamaciones debe ser alta.
Aplicacin: La posibilidad de que un remache particular en la superficie de ala de un

avin nuevo este defectuoso es 0.001. Hay 4000 remaches en el ala. Cual es la posibilidad
de que se instalen no mas de 6 remaches defectuosos?
Desarrollo:
i
Podemos utilizar la Distribucin Binomial
X (n , p)
n=4000
p=0.001
6
x
4000x
P ( x 6 )= 4000 ( 0.001) (0.999)
x
x=0
( )
P ( x 6 ) =
(0.001) (0.999) + ( 4000 ) (0.001) (0.999) +( 4000 ) (0.001) (0.999) + ( 4000) ( 0.001) (0.
(4000
)
0
1
2
3
0
4000
3999
P ( x 6 ) = 0831996???????????????????????????????
Empleando la Aproximacion de Poisson
Hallamos
=np=4000 ( 0.001 )=4

=4
Aplicando
6
P ( x 6 )=
x=0
e4 ( 4 ) x
x!
1
e ( 4) e (4 ) e (4 ) e (4 ) e (4 ) e (4 ) e (4 )
+
+
+
+
+
+
0!
1!
2!
3!
4!
5!
6!
2 4
32 e4 32 e4 128 e4
256 e4
4
4 4 e
e
+4
e
+
+
+
+
=
+
2
3
3
15
45
3998
e4 1+ 4+8+
4
= e
32 32 128 256
+ +
+
3 3 15 45
2185
( 45
=0.889537
Distribucion Geometrica
La Distribucin Geomtrica se relaciona tambin con una secuencia de
ensayos de Bernoulli con la diferencia de que el numero de ensayos no es
fijo y, de hecho la variable aleatoria de inters denotada por
MAYUSCULAA O MINUSCULAAAAAA???????????????????????, se define como

el nmero de ensayos requeridos para alcanzar el primer xito. El espacio
muestral y el espacio del rango para
El espacio del rango para
x es
x se ilustra en la pgina que sigue.
R x ={ 1,2,3, } y la distribucin de
x es
dada por
P ( X=x )=q x1 p x=1,2,

ESFERAL?? Verificar que esta es una distribucin de Probabilidad dado que:
x=1
k=0
pq x1= p q k = p
[ ]
1
1
=p . =1
1q
p
P ( X=x ) 0 x
Parametros
i E ( X ) =
1
p
ii VAR ( X )=
q
p2
Aplicacin
Se va a realizar cierto experimento hasta que se obtenga un resultado
exitoso. Los ensayos son independientes y el costo de efectuar el
experimento es de $25,000 dolares ; sin embargo, si se produce una falla ,
cuesta $5000 dolares iniciar el siguiente ensayo. Al experimentador le
gustara determinar el costo esperado del PROYECTO???.???????????. Si
es el nmero de ensayos que se requieren para obtener un
experimento exitoso, entonces la funcin del costo seria
C ( x )=25000 x+ 5000 ( x1 )
25000 x +5000 x5000
30000 x 5000
Luego
E [ C ( x ) ]=30000 E ( x )E (5000 )
30000
( 1p )5000
Si la probabilidad de xito en un solo ensayo es por ejemplo 0.25, entonces

la
E [ C ( x ) ]=
30000
5000=115000
0.25
Esto puede ser o no aceptable para el experimentador.

Debe tambin reconocerse que es posible continuar indefinidamente sin que
se logre un experimento exitoso. Supongase que el experimentador tiene
un mximo de $ 500,000. Puede desear obtener la probabilidad de que el
trabajo experimental costara mas de esta cantidad, esto es
P ( C ( x )>500000 )=P ( 30000 x5000> 5000000 )

505000
P x>
30000
16
P ( 30000 x >505000 )
16
P ( x >16.833 )
1P ( x 16 )
1 0.25 ( 0.75 )
x1
x=1
10.25 ( 0.75 )
x1
0.01
x=1
El experimentador puede no estar dispuesto a correr el riesgo (probabilidad

0.01 de gastar $500 000 disponibles sin obtener un resultado exitoso .
La distribucin geomtrica decrece , esto es
P ( x ) < P ( x1 )
para
x=2, .
La Distribucion Geometrica no tiene MEMORIAAAAA??????? Osea
P ( X > x+ sx >s )=P ( x> s )

Presentar una curva de la tasa de fallas en funcin del tiempo deacuerdo
con la figura que sigue
ACA VA LAS FIGURAAAAAAAAAAAAAAAAAAAAAS
Podemos distinguir tres regiones:
I.
II.
III.
Periodo de fallas PRECOSES?? Con tasa de fallas z(t) decreciente

regin caracterizada por ejemplo por las fallas de componentes
con defectos de fabricacin.
Periodo con tasa de fallas constante- regin de la vida del
tem???????
Periodo de gastos acentuados con tasas de fallas crecientes
periodo de degeneracin.
Curvas de Vida
De acuerdo con las condiciones particulares de fabricacin o utilizacin, los
sistemas de componentes pueden tener sus curvas de vida representadas
por particulares distribuciones de Probabilidad Dentro de las mas utilizadas
en el estudio de confiabilidad podemos citar:
Distribucion Exponencial
Utilizada cuando la tasa de fallas es constante, o mejor cuando el desgaste
en relacin al tiempo fuese despreciable o a causa de falla extrema en el
componente segn una distribucin de Poisson
f ( t )= e t
R ( t ) =et
t0
Distribucion Hipergeometrica
Z ( t )=

Distribucion de Poisson

Cargado por

Copyright:

Formatos disponibles

Distribucion de Poisson

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Distribucion de Poisson

Cargado por

Copyright:

Formatos disponibles

Distribucion de Poisson

En el caso de la Distribucin Binomial , la variable de inters era el nro de sucesos en un

= 0.0025 fallas por

metro, esa es la frecuencia media de sucesos en el fenmeno que designaremos por

Numero de llamadas telefnicas recibidas por un PBX durante

Definicion: Una v.a.

sigue el modelo de Poisson de parmetro

si su funcin de probabilidad es dada por:

indica a tasa de ocurrencia por

P ( x >20 ) =1P ( X 20 )=1

==15 CADA DIA ? ? ?

Aplicacin: La posibilidad de que un remache particular en la superficie de ala de un

Podemos utilizar la Distribucin Binomial

=np=4000 ( 0.001 )=4

MAYUSCULAA O MINUSCULAAAAAA???????????????????????, se define como

x se ilustra en la pgina que sigue.

P ( X=x )=q x1 p x=1,2,

es el nmero de ensayos que se requieren para obtener un

experimento exitoso, entonces la funcin del costo seria

25000 x +5000 x5000

Si la probabilidad de xito en un solo ensayo es por ejemplo 0.25, entonces

Esto puede ser o no aceptable para el experimentador.

P ( C ( x )>500000 )=P ( 30000 x5000> 5000000 )

El experimentador puede no estar dispuesto a correr el riesgo (probabilidad

La Distribucion Geometrica no tiene MEMORIAAAAA??????? Osea

P ( X > x+ sx >s )=P ( x> s )

ACA VA LAS FIGURAAAAAAAAAAAAAAAAAAAAAS

Podemos distinguir tres regiones:

Periodo de fallas PRECOSES?? Con tasa de fallas z(t) decreciente

También podría gustarte