Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 22 vistas

    Descriptiva Semana 11

    Cargado por

    Antonio Quispe
    Este documento presenta conceptos sobre la distribución de Poisson para variables aleatorias discretas. Explica que la distribución de Poisson describe el número de veces que ocurre un evento en un espacio finito de observación, como llamadas por hora o seguros vendidos por semana. Proporciona ejemplos numéricos para calcular probabilidades usando la distribución de Poisson. También compara la distribución binomial con Poisson para grandes números de pruebas y pequeñas probabilidades de éxito.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Descriptiva Semana 11

    Cargado por

    Antonio Quispe
    22 vistas9 páginas
    Este documento presenta conceptos sobre la distribución de Poisson para variables aleatorias discretas. Explica que la distribución de Poisson describe el número de veces que ocurre un evento en un espacio finito de observación, como llamadas por hora o seguros vendidos por semana. Proporciona ejemplos numéricos para calcular probabilidades usando la distribución de Poisson. También compara la distribución binomial con Poisson para grandes números de pruebas y pequeñas probabilidades de éxito.

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento presenta conceptos sobre la distribución de Poisson para variables aleatorias discretas. Explica que la distribución de Poisson describe el número de veces que ocurre un evento en un espacio finito de observación, como llamadas por hora o seguros vendidos por semana. Proporciona ejemplos numéricos para calcular probabilidades usando la distribución de Poisson. También compara la distribución binomial con Poisson para grandes números de pruebas y pequeñas probabilidades de éxito.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    22 vistas9 páginas

    Descriptiva Semana 11

    Cargado por

    Antonio Quispe
    Este documento presenta conceptos sobre la distribución de Poisson para variables aleatorias discretas. Explica que la distribución de Poisson describe el número de veces que ocurre un evento en un espacio finito de observación, como llamadas por hora o seguros vendidos por semana. Proporciona ejemplos numéricos para calcular probabilidades usando la distribución de Poisson. También compara la distribución binomial con Poisson para grandes números de pruebas y pequeñas probabilidades de éxito.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 9

    Estadística Descriptiva

    y Probabilidades
    Sesión 11
    Variable Aleatoria Discreta:
    Distribución de Poisson
    Logro de la sesión
    Al finalizar la sesión, el estudiante aplica
    los conceptos de variable aleatoria para
    asociar el resultado de un experimento
    aleatorio de tipo Poisson
    Distribución de Poisson
    El proceso de Poisson es un experimento aleatorio 𝑿: Cantidad de ocurrencias en una unidad de observación
    utilizado para describir el numero de veces que un
    evento ocurre en un espacio finito de observación → 𝑿 = 0,1, 2, 3, …
    (área, tiempo, etc.).
    Es útil para la ocurrencia de eventos por unidad de
    𝒆−𝝀 ∙ 𝝀𝒌
    𝑿~𝑷(𝝀): 𝑷 𝑿 = 𝒌 =
    tiempo: errores/mes, quejas/semana, defectos/día. 𝒌!
    Tasa de Ocurrencia 𝝁 = 𝐸(𝑋) = 𝝀
    Ocurrencia promedio por
    𝝀= unidad de observación. 𝒆: Constante de Euler, cuyo valor aproximado es 𝟐. 𝟕𝟏𝟖𝟐

    En un callcenter llegan en promedio 4


    llamadas por hora. Se esta interesado 𝑿: Número de llamadas que reciben en una hora.→ 𝑿 = 0,1, 2, 3, …
    en la cantidad de llamadas que llega 𝝀 𝟏 𝐡𝐨𝐫𝐚 = Promedio de llamadas recibidas en una hora = 4
    en 1 hora dada.

    Datos/Observaciones
    Un vendedor de seguros vende en promedio 3 seguros por semana. En una semana dada ¿Cuál es la probabilidad
    de que venda 4 seguros?, ¿Cuál es la probabilidad que venda menos de 3 seguros? y ¿Cuál es la probabilidad que
    venda algún seguro?

    𝑿: Número de seguros que vende en una semana. → 𝑿 = 0,1, 2, 3, … 𝑿~𝑷(𝟑)


    𝒆−𝝀 ∙ 𝝀𝒌
    𝝀 𝟏 𝒔𝒆𝒎. = Promedio de venta en una semana = 3 𝑿~𝑷 𝝀 : 𝑷 𝑿 = 𝒌 =
    𝒌!
    • ¿Cuál es la probabilidad que venda 4 seguros? • ¿Cuál es la probabilidad que venda algún seguro?
    𝒆−𝟑 ∙ (𝟑)𝟒 𝑷 𝑿>𝟎 =𝑃 𝑋 =1 +𝑃 𝑋 =2 +𝑃 𝑋 =3 +⋯
    𝑷 𝑿=𝟒 = = 𝟎. 𝟏𝟔𝟖
    𝟒!
    La probabilidad de que venda =𝟏−𝑷 𝑿≤𝟎 =𝟏−𝑷 𝑿=𝟎
    → 𝑷 𝑿 = 𝟒 = 𝟏𝟔. 𝟖% 4 seguros en una semana dada 𝒆−𝟑 ∙ 𝟑 𝟎
    es de 16.8% =𝟏− = 𝟏 − 𝟎. 𝟎𝟒𝟗𝟖 = 𝟎. 𝟗𝟓𝟎𝟐
    𝟎!
    • ¿Cuál es la probabilidad que venda menos de 3 seguros?
    → 𝑷 𝑿 > 𝟎 = 𝟗𝟓. 𝟎𝟐%
    𝑷 𝑿 < 𝟑 = 𝑃 𝑋 = 0 + 𝑃 𝑋 = 1 + 𝑃(𝑋 = 2)
    𝒆−𝟑 ∙ (𝟑)𝟎 𝒆−𝟑 ∙ (𝟑)𝟏 𝒆−𝟑 ∙ (𝟑)𝟐 La probabilidad de que venda algún seguro
    = + + = 0.4232 en una semana dada es de 95.02%
    𝟎! 𝟏! 𝟐!
    La probabilidad de que venda
    → 𝑷 𝑿 < 𝟑 = 𝟒𝟐. 𝟑𝟐% menos de 3 seguros en una
    semana dada es de 42.32%
    Una tienda hizo la prueba de extender su horario de atención por la noche dos horas, obteniendo un promedio
    de 6 clientes en dichas horas. ¿Cuál es la probabilidad de que si extiende en tres horas el horario de atención;
    tengan 10 clientes? Y ¿Si extiende a 4 horas, cual es la probabilidad de que tengan 20 clientes?

    • ¿Cuál es la probabilidad de que si extiende a tres horas el horario de atención; tengan 10 clientes?
    𝑿: Número de clientes que tienen en 3 horas. → 𝑿 = 0,1, 2, 3, …
    (6)(3) 𝑿~𝑷(𝟗)
    2 horas − 𝛌 𝟐 𝐡𝐨𝐫𝐚𝐬 = 6 clientes λ 3 horas =
    2 𝒆−𝝀 ∙ 𝝀𝒌
    3 horas − 𝛌 𝟑 𝐡𝐨𝐫𝐚𝐬 = ? 𝑿~𝑷 𝝀 : 𝑷 𝑿 = 𝒌 =
    𝒌!
    → 𝛌 𝟑 𝐡𝐨𝐫𝐚𝐬 = 𝟗
    𝑒 −9 ∙ (9)10 La probabilidad de que tengan 10 clientes en
    𝑷 𝑿 = 𝟏𝟎 = = 0.1186 → 𝑷 𝑿 = 𝟏𝟎 = 𝟏𝟏. 𝟖𝟔%
    10! el horario extendido de 3 horas es de 11.86%

    • ¿ Si extiende a 4 horas, cual es la probabilidad de que tengan 20 clientes?


    𝒀: Número de clientes que tienen en 4 horas. → 𝒀 = 0,1, 2, 3, …
    (6)(4) 𝒀~𝑷(𝟏𝟐)
    2 horas − 𝛌 𝟐 𝐡𝐨𝐫𝐚𝐬 = 6 clientes λ 4 horas =
    2 𝒆−𝝀 ∙ 𝝀𝒌
    4 horas − 𝛌 𝟒 𝐡𝐨𝐫𝐚𝐬 = ? 𝒀~𝑷 𝝀 : 𝑷 𝑿 = 𝒌 =
    → 𝛌 𝟒 𝐡𝐨𝐫𝐚𝐬 = 𝟏𝟐 𝒌!

    𝑒 −12 ∙ (12)20 La probabilidad de que tengan 20


    𝑷 𝒀 = 𝟐𝟎 = → 𝑷 𝒀 = 𝟐𝟎 = 𝟎. 𝟗𝟕% clientes en el horario extendido
    20!
    de 4 horas es de 0.97%
    Relación Binomial-Poisson
    Cuando en una distribución Binomial el numero de pruebas es grande y la probabilidad de éxito es pequeña, podemos
    utilizar la distribución de Poisson, específicamente:
    𝒏 > 𝟑𝟎 y 𝒑 < 𝟎. 𝟏 → 𝑬 𝑿 = 𝝀 = 𝒏𝒑

    • Una planta tiene 40 máquinas, si la probabilidad de que falle una en cierto día es 0.05. Encuentre la probabilidad
    de que durante un día determinado fallen dos máquinas.
    𝑿: Número de maquinas que fallan en un día, de un total de 40 (𝒏 = 𝟒𝟎 > 30) → 𝑿 = 0,1, 2, 3, … , 40
    Binomial Poisson
    Éxito: Una maquina falla → 𝑷 É𝑥𝑖𝑡𝑜 = 𝒑 = 0.05 < 0.1 𝝀 = Promedio de maquinas que fallan en un día dado
    Fracaso: Un maquina no falla → 𝑷 Fracaso = 𝒒 = 0.95 → 𝝀 = 𝑬 𝑿 = 40 0.05 = 𝟐
    → 𝑿~𝑷(𝟐)
    → 𝑿~𝑩(𝟒𝟎, 𝟎. 𝟎𝟓)
    40 𝑒 −2 ∙ (2)2
    𝑷 𝑿=𝟐 = (0.05)2 (0.95)38 = 𝟎. 𝟐𝟕𝟕𝟕 𝑷 𝑿=𝟐 = = 𝟎. 𝟐𝟕𝟎𝟕
    2 2!
    La probabilidad de que 2 maquinas fallen, de un total
    de 40, en un día dado es de aproximadamente 27%.

    Datos/Observaciones
    Cierre
    • En la inspección de hojalata producida por un proceso electrolítico continuo, se
    identifican 0.2 imperfecciones en promedio por minuto. Determine las Contestar
    probabilidades de identificar
    a) una imperfección en 3 minutos,
    en el Foro
    b) al menos dos imperfecciones en 5 minutos, S11.s1
    c) cuando más una imperfección en 15 minutos.
    • El 20% de los choferes son mujeres, si se seleccionan 20 al azar para una encuesta:
    a) ¿Cuál es la probabilidad de que dos choferes sean mujeres ? Subir la
    b) ¿Cuál es la probabilidad de que al menos cuatro sean mujeres?
    resolución
    • Un biólogo marino ha determinado que el número de avistamientos promedio de
    mamíferos marinos por hora en alta mar es de 3.2. como imagen
    a) Se decide contar el número de ejemplares durante 4 horas ¿Cuál es la
    probabilidad que se observe entre 10 y 12 ejemplares (ambos números
    para visualizar
    incluidos)?
    b) Si se sabe que el 35% de los avistamientos corresponden a delfines. Si en un día
    se observaron 10 animales, ¿Cuál es la probabilidad de que se haya observado
    por lo menos 2 delfines?

    También podría gustarte