Escolar Documentos
Profissional Documentos
Cultura Documentos
UNIVERSIDAD NACIONAL DE
HUANCAVELICA
DISTRIBUCIONES DISCRETAS DE
POISSON Y GEOMÉTRICA
CÁTEDRA:
ESTADÍTICA DESCRIPTIVA E INFERENCIAL
CATEDRÁTICO:
ING. SIGUAS ROBLES, Omar
INTEGRANTES:
RAMOS GONZALES, Billy Joel
RAMOS LAGONES, Kevin Greycol
RAMOS ÑAHUI, Cristian Edson
SANTOS AMANCAY, Miqueas
SARMIENTO CAPANI, Pamela
Huancavelica
2017
ING.CIVIL 1
Distribuciones discretas de Poisson y Geométrica
DEDICATORIA
ING.CIVIL 2
Distribuciones discretas de Poisson y Geométrica
AGRADECIMIENTOS
ING.CIVIL 3
Distribuciones discretas de Poisson y Geométrica
Contenido
DEDICATORIA ................................................................................................................................... 2
AGRADECIMIENTOS................................................................................................................................ 3
DISTRIBUCION DISCRETA...................................................................................................................... 5
Ejemplos de variables discretas aplicados a la ingeniería............................................................... 5
Distribuciones de variable discreta más importantes:.................................................................... 5
1. DISTRIBUCIONES DE POISSON .................................................................................................. 6
1.1 Definición: ......................................................................................................................... 6
1.2 Aplicaciones: ..................................................................................................................... 7
1.3 Observaciones................................................................................................................... 9
2. DISTRIBUCION GEOMETRICA ................................................................................................... 9
2.1 Definición: ......................................................................................................................... 9
2.2 Aplicaciones: ................................................................................................................... 11
INTRODUCCION.................................................................................................................................... 14
BIBLIOGRAFÍA....................................................................................................................................... 16
ING.CIVIL 4
Distribuciones discretas de Poisson y Geométrica
DISTRIBUCION DISCRETA
Las distribuciones discretas a diferencia de las discretas continuas veamos la diferencia:
Las distribuciones discretas son aquellas en las que la variable puede pude tomar un número
determinado de valores.
Se llama discreta si se puede contar su conjunto de resultados posibles. Las variables aleatorias
discretas son variables cuyo intervalo de valores es finito o contablemente infinito.
Ejemplo: si se lanza una moneda al aire puede salir cara o cruz; si se tira un dado puede salir un
número de 1 al 6; en una ruleta el número puede tomar un valor del 1 al 36.
Las distribuciones continuas son aquellas que presentan un número infinito de posibles soluciones:
Ejemplo: El peso medio de los alumnos de una clase puede tomar infinitos valores dentro de cierto
intervalo (42,37 kg, 42,3764 kg, 42, 376541kg, etc.); la esperanza media de vida de una población
(72,5 años, 7,513 años, 72, 51234 años).
ING.CIVIL 5
Distribuciones discretas de Poisson y Geométrica
1. DISTRIBUCIONES DE POISSON
Llamada así en honor de Simión Denis Poisson, probabilista francés del siglo XIX. Quién fue el primero
en describirla es otra distribución discreta de probabilidad muy útil en la que la variable aleatoria
representa el número de eventos independientes que ocurren a una velocidad constante.
1.1 Definición:
La distribución de poisson es el número de resultados que ocurren durante un intervalo de tiempo
determinado o en una región específica y a eso se denominan experimentos de Poisson. Sea x el
número de resultados que ocurren durante un experimento de Poisson se llama variable aleatoria de
Poisson y su distribucion de probabilidad se llama distribución de Poisson. El número medio de
resultados se calcula a partir de 𝜇 = 𝜆𝑡, donde t es el tiempo, distancia , área o el volumen
específicos de interés. Como las probabilidades dependen de λ, denotaremos la tasa de ocurrencia
de los resultados con 𝑝(𝑥; 𝜆𝑡). La derivación de la fórmula para 𝑝(𝑥; 𝜆𝑡), que se basa en las tres
propiedades de un proceso de Poisson que se listaron antes, esta fuera del alcance de este texto. La
siguiente formula se utiliza para calcular probabilidades de Poisson.
Algunos ejemplos de fenómenos que se ajustan a una distribución de Poisson son los siguientes:
el número de accidentes de tráfico en una ciudad durante una semana.
el número de emergencias que llegan a un servicio de urgencia hospitalaria.
el número de llamadas telefónicas que llegan a la centralita de una gran empresa en hora
punta.
el número de precipitaciones atmosféricas que ocurra durante un mes o año.
el número de seísmos que ocurra en un año.
El número de fisuras que puede tener una construcción.
Todos estos casos pueden ser caracterizados como el número de sucesos de un determinado evento
en un período de tiempo. Cada uno de estos eventos toma dos posibles valores, éxito o
Por tratarse de un caso particular de la Binomial, la distribución de Poisson cumple los requisitos del
Proceso de Bernouilli y la variable aleatoria (X) sigue definiéndose como el número de éxitos en una
sucesión de Bernouilli. Se puede demostrar que la forma que adopta la función de cuantía para una
variable aleatoria (X) con una distribución de Poisson de parámetro 𝜆 es:
𝑒 −𝜆 𝜆𝑥
𝑓(𝑥) = 𝑃(𝑋 = 𝑥) =
𝑥!
donde 𝜆 = 𝑛 ∗ 𝑝, x! Es la factorial de x y “e” es el número e. La forma que adopta la función de
distribución es
ING.CIVIL 6
Distribuciones discretas de Poisson y Geométrica
𝑒 −𝜆 𝜆𝑟
𝐹(𝑥) = ∑ 𝑃(𝑋 = 𝑟) = ∑
𝑟!
𝑟≤𝑥 𝑟≤𝑥
𝜆 𝜆2 𝜆3
𝛼2 = 𝑒 −𝜆 𝜆 [1 + (1 + 1) + (1 + 2) + (1 + 3) + ⋯ ]
1! 2! 3!
𝜆 𝜆2 𝜆2 𝜆3 𝜆 𝜆2
𝛼2 = 𝑒 −𝜆 𝜆 [1 + + + ⋯ 𝜆 + + + ⋯ ] = 𝑒 −𝜆 𝜆 [𝑒 𝜆 + 𝜆 (1 + + + ⋯ )]
1! 2! 1! 2! 1! 2!
𝜎𝑥2 = 𝛼2 − 𝛼12
1.2 Aplicaciones:
Veamos un ejemplo de distribución de Poisson. Un analista de empresas ha pronosticado que el 3.5%
de las pequeñas empresas irán a la bancarrota en 1995. Para una muestra de 100 pequeñas
empresas, estime la probabilidad de que al menos tres de ellas entren en bancarrota, suponiendo
que la predicción del experto es correcta.
Cumple los requisitos de un Proceso de Bernouilli, puesto que hay dos resultados posibles
(bancarrota o no bancarrota); la probabilidad es constante (3.5% predicho por el experto); y
las pruebas son independientes.
Puede ser considerada una Binomial, puesto que definimos una variable aleatoria que es el
número de empresas que entran en bancarrota ("éxito").
ING.CIVIL 7
Distribuciones discretas de Poisson y Geométrica
Pero cumple las condiciones para ser analizada como una distribución de Poisson, puesto
que n es muy grande (n=100) y p muy pequeña (p=0,035), por lo que la media es muy
pequeña en relación a n (n*p = 3,5)
Usaremos la distribución de Poisson con media 3,5 para aproximar nuestra distribución. La
probabilidad de que al menos 3 de las 100 empresas entren en bancarrota es igual a la probabilidad
de que entren 3 empresas, más la de que entren cuatro, más cinco, y así hasta
100:
𝑒 −𝜆 𝜆𝑥
𝑓(𝑥) = 𝑃(𝑋 = 𝑥) =
𝑥!
𝑒 −3.5 3.50
𝑓(0) = 𝑃(𝑋 = 0) =
0!
(0.30197) ∗ (1)
= 0.302
1
Solución:
Sea X el número de imperfecciones por un espacio de tiempo.
Parte a: 0,3 imperfecciones por minuto equivalen a (0,3)4 = 1,2 imperfecciones en 4 minutos.
𝜇 = 1,2; 𝑥 = 3 ⇒ 𝑝(3; 1,2) = 𝑃(3; 1,2) − (𝑃(2; 1,2) = 0,966 − 0,879 = 0,087
Parte b: 0,3 imperfecciones por minuto equivalen a 1,8 imperfecciones en 6 minutos. Dado que
se quiere calcular que hayan más de 4 infectados, se tiene que calcular 𝑃(𝑋 > 4) o
equivalente 1 − 𝑃(𝑡 ≤ 4)
𝜇 = 1,8; 𝑥 = 4 ⇒ 1 − 𝑃(𝑋 ≤ 4) = 1 − 𝑃(4; 1,8) = 1 − 0,964 = 0,036.
Parte c: 0,3 imperfecciones por minuto equivalen a 4,5 imperfecciones en 15 minutos.
𝜇 = 4,5; 𝑥 = 6 ⇒ 𝑃(𝑋 ≤ 6) = 𝑃(6; 4,5) = 0,831
El valor 0,831 es un promedio de los valores entre 𝜇 = 4,4 𝑦 𝜇 = 4,6
ING.CIVIL 8
Distribuciones discretas de Poisson y Geométrica
1.3 Observaciones
Se puede utilizar la distribución de Poisson para hallar una aproximación de la distribución Binomial;
cuando n es muy grande y p se aproxima a cero, esto es, cuando la distribución Binomial es muy
sesgada; tomando 𝜇 = 𝑛𝑝. Usualmente esta aproximación es satisfactoria cuando 𝑛 ≥ 20 y 𝑝 ≤
0,05 ; y excelente cuando 𝑛 ≥ 100 𝑦 𝑛𝑝 ≤ 10 . En el caso en que p este cerca de 1, se puede utilizar
la distribución de Poisson para aproximar la Binomial intercambiando las definiciones de lo que se
considera éxito y fracaso.
2. DISTRIBUCION GEOMETRICA
El origen de la distribución geométrica comenzó con Jakob Bernoulli (1654-1705), que escribió Artes
Conjectandi (el Arte de la conjetura), su obra maestra. Aquí Bernoulli proporciono la clave para
entender la distribución geométrica.
Se llama distribución geométrica porque su forma coincide con la k-ésimo término de la progresión
geométrica dada por: P, p𝒒𝟐 , p𝒒𝟑 ,……
2.1 Definición:
La distribución geométrica es un modelo adecuado para aquellos procesos en los que se repiten
pruebas hasta la consecución del éxito a resultado deseado y tiene interesantes aplicaciones en los
muestreos realizados de esta manera. También implica la existencia de una dicotomía de posibles
resultados y la independencia de las pruebas entre sí.
Esta distribución se puede hacer derivar de un proceso experimental puro o de Bernouilli en el que
tengamos las siguientes características
Los valores de una variable sirven para describir o clasificar individuos o distinguir entre ellos. La
mayoría de nosotros hacemos algo más que simplemente describir, clasificar o distinguir, porque
tenemos ideas respecto a las frecuencias relativas de los valores de una variable. En estadística
ING.CIVIL 9
Distribuciones discretas de Poisson y Geométrica
decimos que la variable tiene una función de probabilidad, una función de densidad de probabilidad
o simplemente una función de distribución (Badii & Castillo, 2007).
d) Entender las limitaciones de cada una de las distribuciones de probabilidad que utilice.
Si se interesa el número x de pruebas hasta la observación del primer éxito, entonces x posee una
distribución de probabilidad geométrica. Nótese que el número de pruebas podría seguir
indefinidamente y que x es un ejemplo de variable aleatoria discreta que puede tomar un número
infinito (pero contable) de valores. Las fórmulas para la distribución geométrica son:
Donde,
1−𝑃
Desviación estándar: √
𝑃2
ING.CIVIL 10
Distribuciones discretas de Poisson y Geométrica
2.2 Aplicaciones:
Ejemplo 1.
Los registros indican que una cierta vendedora tiene éxito en formular venta en 30% de sus
entrevistas. Supóngase que una venta en una entrevista es independiente de una venta cualquier
otro momento.
a) ¿Cuál es la probabilidad de que esta vendedora tenga que tratar con 10 personas antes de hacer
su primera venta?
Solución:
𝑝(𝑥) = 𝑝𝑞 𝑥−1
𝑜 𝑏𝑖𝑒𝑛 𝑝(10) = (0.3)(0.7)9 = 0.012
b) La probabilidad de que se realice la primera venta antes de o en la décima entrevista, es
= 𝑝𝑞10 + 𝑝𝑞11 + ⋯
La suma de una serie geométrica infinita es igual a a / (1 - r), donde a es el primer término de la serie,
r es la razón, común, y 𝑟 2 < 1. Utilizando este resultado, tenemos.
𝑝𝑞10
𝑃(𝑥 = 10) = 1 − 𝑝(𝑥 > 10) = 1 − 1−𝑞
= 1 − 𝑞10 = 1 − (0.7)10 = 0.972
Por lo tanto, existe una alta probabilidad (0.972) de que la vendedora realice primera venta antes de
o en el décimo contacto.
Ejemplo 2:
Un jugador de baloncesto se dispone a tirar hasta anotar una canasta. Sí se supone que sus tiros son
independientes y la probabilidad de anotar una canasta es de 0.8.
ING.CIVIL 11
Distribuciones discretas de Poisson y Geométrica
¿Cuál es la probabilidad de necesitar efectuar dos tiros?, ¿tres tiros?, ¿cuatro tiros?, ¿cinco tiros?, ¿n
tiros?
Solución
p= 0.8 q = 0.2
𝑃( 𝑌 = 𝑛) = 𝑞 𝑛−1 𝑝 =
𝑃(𝑌 ≤ 5) = ∑ 𝑞 𝑟−1 𝑝 = (0.20 ∗ 𝑜. 8) + (0.21 ∗ 0.8) + (0.22 ∗ 0.8) + (0.23 ∗ 0.8) + (0.24 ∗ 0.8)
𝑟=1
= 0.99968
Ejemplos 3:
Solución:
a) x = 6 que el sexto dispositivo de medición probado sea el primero que muestre una variación
excesiva
p(x = 6) =
b) x = 5 que el quinto dispositivo de medición probado, sea el primero que no muestre una
desviación excesiva
p(x = 5) =
ejemplo 4:
ING.CIVIL 12
Distribuciones discretas de Poisson y Geométrica
Los registros de una compañía constructora de pozos, indican que la probabilidad de que uno de sus
pozos nuevos, requiera de reparaciones en el término de un año es de 0.20. ¿Cuál es la probabilidad
de que el quinto pozo construido por esta compañía en un año dado sea el primero en requerir
reparaciones en un año?
Solución:
p(x = 5) =
ING.CIVIL 13
Distribuciones discretas de Poisson y Geométrica
INTRODUCCION
En este trabajo veremos específicamente las definiciones y aplicaciones en el campo de la ingeniería
de la distribución de Poisson y distribución Geométrica.
ING.CIVIL 14
Distribuciones discretas de Poisson y Geométrica
ING.CIVIL 15
Distribuciones discretas de Poisson y Geométrica
BIBLIOGRAFÍA
ING.CIVIL 16