Este documento describe la distribución de Poisson, que modela el número de veces que ocurre un evento en un espacio de observación finito. La distribución se especifica por el parámetro lambda, que es igual a la media y la varianza. La tasa de ocurrencia es igual a lambda dividido entre el tamaño del espacio de observación y se utiliza para comparar conteos de Poisson. La distribución de Poisson difiere de la binomial en que no establece un límite superior al conteo de eventos.
0 calificaciones0% encontró este documento útil (0 votos)
33 vistas6 páginas
Este documento describe la distribución de Poisson, que modela el número de veces que ocurre un evento en un espacio de observación finito. La distribución se especifica por el parámetro lambda, que es igual a la media y la varianza. La tasa de ocurrencia es igual a lambda dividido entre el tamaño del espacio de observación y se utiliza para comparar conteos de Poisson. La distribución de Poisson difiere de la binomial en que no establece un límite superior al conteo de eventos.
Este documento describe la distribución de Poisson, que modela el número de veces que ocurre un evento en un espacio de observación finito. La distribución se especifica por el parámetro lambda, que es igual a la media y la varianza. La tasa de ocurrencia es igual a lambda dividido entre el tamaño del espacio de observación y se utiliza para comparar conteos de Poisson. La distribución de Poisson difiere de la binomial en que no establece un límite superior al conteo de eventos.
Este documento describe la distribución de Poisson, que modela el número de veces que ocurre un evento en un espacio de observación finito. La distribución se especifica por el parámetro lambda, que es igual a la media y la varianza. La tasa de ocurrencia es igual a lambda dividido entre el tamaño del espacio de observación y se utiliza para comparar conteos de Poisson. La distribución de Poisson difiere de la binomial en que no establece un límite superior al conteo de eventos.
Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
Descargar como docx, pdf o txt
Está en la página 1/ 6
5)
DISTRIBUCIÓN DE POISSON. Características: En este tipo de experimentos los éxitos buscados son expresados por unidad de área, tiempo, pieza, etc, etc,: - # de defectos de una tela por m2 - # de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc, etc. - # de bacterias por cm2 de cultivo - # de llamadas telefónicas a un conmutador por hora, minuto, etc, etc. - # de llegadas de embarcaciones a un puerto por día, mes, etc, etc. Para determinar la probabilidad de que ocurran x éxitos por unidad de tiempo, área, o producto, la fórmula a utilizar sería:
Donde: p(x, l) = probabilidad de que ocurran x éxitos, cuando el número promedio de ocurrencia de ellos es l l = media o promedio de éxitos por unidad de tiempo, área o producto e = 2.718 x = variable que nos denota el número de éxitos que se desea que ocurra
Hay que hacer notar que en esta distribución el número de éxitos que ocurren por unidad de tiempo, área o producto es totalmente al azar y que cada intervalo de tiempo es independiente de otro intervalo dado, así como cada área es independiente de otra área dada y cada producto es independiente de otro producto dado.
Ejemplos: 1. Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las probabilidades de que reciba, a) cuatro cheques sin fondo en un día dado, b) 10 cheques sin fondos en cualquiera de dos días consecutivos? Solución: a) x = variable que nos define el número de cheques sin fondo que llegan al banco en un día cualquiera = 0, 1, 2, 3, ....., etc, etc. l = 6 cheques sin fondo por día e = 2.718
b) x= variable que nos define el número de cheques sin fondo que llegan al banco en dos días consecutivos = 0, 1, 2, 3, ......, etc., etc. l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos días consecutivos Nota: l siempre debe de estar en función de x siempre o dicho de otra forma, debe “hablar” de lo mismo que x.
2. En la inspección de hojalata producida por un proceso electrolítico continuo, se identifican 0.2 imperfecciones en promedio por minuto. Determine las probabilidades de identificar a) una imperfección en 3 minutos, b) al menos dos imperfecciones en 5 minutos, c) cuando más una imperfección en 15 minutos. Solución: a) x = variable que nos define el número de imperfecciones en la hojalata por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc. l = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la hojalata
b) x = variable que nos define el número de imperfecciones en la hojalata por cada 5 minutos = 0, 1, 2, 3, ...., etc., etc. l = 0.2 x 5 =1 imperfección en promedio por cada 5 minutos en la hojalata
=1-(0.367918+0.367918) = 0.26416
c) x = variable que nos define el número de imperfecciones en la hojalata por cada 15 minutos = 0, 1, 2, 3, ....., etc., etc. l = 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la hojalata
= 0.0498026 + 0.149408 = 0.1992106 INFORMACION #2 Distribución de Poisson En este tema
¿Qué es una distribución de Poisson?
¿Qué es tasa de ocurrencia?
Diferencias entre la distribución de Poisson y la distribución binomial
¿Qué es una distribución de Poisson? La distribución de Poisson se especifica por un parámetro: lambda (λ). Este parámetro es igual a la media y la varianza. Cuando lambda aumente a valores lo suficientemente grandes, la distribución normal (λ, λ) podría utilizarse para aproximar la distribución de Poisson. Utilice la distribución de Poisson para describir el número de veces que un evento ocurre en un espacio finito de observación. Por ejemplo, una distribución de Poisson puede describir el número de defectos en el sistema mecánico de un avión o el número de llamadas a un centro de llamadas en una hora. La distribución de Poisson se utiliza con frecuencia en el control de calidad, los estudios de fiabilidad/supervivencia y los seguros. Una variable sigue una distribución de Poisson si se cumplen las siguientes condiciones:
Los datos son conteos de eventos (enteros no negativos, sin límite
superior).
Todos los eventos son independientes.
La tasa promedio no cambia durante el período de interés.
Las siguientes gráficas representan distribuciones de Poisson con valores diferentes de lambda.
Lambda = 3 Lambda = 10 ¿Qué es tasa de ocurrencia? La tasa de ocurrencia es igual a la media (λ) dividida entre la dimensión del espacio de observación. Es útil para comparar conteos de Poisson recolectados en diferentes espacios de observación. Por ejemplo, la central telefónica A recibe 50 llamadas telefónicas en 5 horas y la central telefónica B recibe 80 llamadas en 10 horas. Usted no puede comparar directamente estos valores, porque sus espacios de observación son diferentes. Debe calcular la tasa de ocurrencia para comparar estos conteos. La tasa de la central telefónica A es (50 llamadas / 5 horas) = 10 llamadas/hora. La tasa de la central telefónica B es (80 llamadas / 10 horas) = 8 llamadas/hora. Diferencias entre la distribución de Poisson y la distribución binomial La distribución de Poisson es similar a la distribución binomial porque ambas modelan conteos de eventos. Sin embargo, dentro de su espacio de observación finito, la distribución de Poisson no establece un límite superior a este conteo: una central telefónica podría recibir un número ilimitado de llamadas en un día y no violar los requisitos de la distribución de Poisson. En cambio, la distribución binomial establece un límite superior en el conteo: el número de eventos que usted observa no puede exceder el número de ensayos que realiza. INFORMACION #3
https://fisicaymates.com/distribucion-de-poisson/
SIGUE ESE ENLACE Y MIRA LOS VIDEOS…. AHÍ LO EXPLICA BASTANTE
