Vous êtes sur la page 1sur 12

UNIVERSIDAD DE LA COSTA

FACULTAD DE INGENIERA
PROGRAMA DE INGENIERA INDUSTRIAL
MTODOS Y TIEMPOS

DISTRIBUCCION DE POISSON
Juan Camilo Diazgranados, Jenifer Galofre, Ana Severiche, Angie Valle
Profesor: Jos Jinete Torres Mesa y Grupo 3
Septiembre 7 2016
Laboratorio control de la calidad, Corporacin Universidad de la costa CUC.
Barranquilla - Atlantico

Resumen
Para la realizacin de esta experiencia fue necesaria la utilizacin de los siguientes insumos:
1. 98 canicas de colores
2. 2 Canicas blancas
3. Caja binomial
La caja binomial se agito 100 veces y se tom como muestra 10 canicas que salan de blancas
y con esta informacin se completaron las tablas y se hallaron los clculos y resultados.

Palabras claves:
Distribucin de poisson, Frecuencia experimental, Probabilidad, Binomial.

Abstract
For the realization of this experience it was necessary to use the following inputs: 1. 98 colored
marbles
2. 2 white marbles
3. Binomial Box
The binomial box is stirred 100 times and was sampled from 10 marbles out the number of white
and with this information tables and calculations were completed and results were found.

Keywords
Poisson distribution, Experimental Frequency, Probability, Binomial.

1. INTRODUCCIN

Al introducirnos al concepto de distribucin de probabilidades, es posible que ocurra un


determinado evento o no, esta iniciativa se ampla con la distribucin de poisson o tambin
llamada la distribucin de los eventos raros.
La distribucin de poisson es una de las distribuciones ms importantes para las variables
discretas y que ella solo toma valor desde 0, 1, 2 hasta n.
En el mundo de hoy casi todos los campos de investigacin nos muestran que hay que realizar
anlisis, comparar situaciones y esto no es ajeno a la distribucin de poisson.
La distribucin de poisson son el control de calidad, la aceptacin de muestras, el aseguramiento
de la calidad es decir de esta manera la probabilidad de que un suceso raro pase y que sea
representada en una variable discreta.
Existen diversas situaciones donde es aplicado este tipo de distribucin y la ms representativa
son las de modelacin de situaciones en donde nos interesa determinar nmeros de hechos que
pueden producirse en un determinado tiempo.

2. OBJETTIVOS

Demostrar la convergencia de una distribucin binomial a la distribucin de poisson de


acuerdo al aumento del tamao de la muestra (n) y la distribucin de la proporcin de
la poblacin (p) que posee un atributo dado.

1
UNIVERSIDAD DE LA COSTA
FACULTAD DE INGENIERA
PROGRAMA DE INGENIERA INDUSTRIAL
MTODOS Y TIEMPOS

3. FUNDAMENTOS TEORICOS
Esta distribucin es una de las ms importantes distribuciones de variable discreta. Sus
principales aplicaciones hacen referencia a la modelizacin de situaciones en las que nos
interesa determinar el nmero de hechos de cierto tipo que se pueden producir en un intervalo
de tiempo o de espacio, bajo presupuestos de aleatoriedad y ciertas circunstancias restrictivas.
Otro de sus usos frecuentes es la consideracin lmite de procesos dicotmicos reiterados un
gran nmero de veces si la probabilidad de obtener un xito es muy pequea.

3.1. Caractersticas de la Distribucin de Poisson:


Un modelo de probabilidad de Poisson tiene las siguientes caractersticas:
El espacio muestral se genera por un nmero muy grande (puede considerarse infinito)
de repeticiones de un experimento cuyo modelo de probabilidad es el de Bernoulli, con
probabilidad de xito muy pequea. Por esta razn, a la distribucin de Poisson suele
llamrsele de eventos raros. Las repeticiones del experimento de Bernoulli se realizan
en cada uno de los puntos de un intervalo de tiempo o espacio.
El nmero de xitos en el intervalo li es ajeno al nmero de xitos en el intervalo lk, por
lo que li lk = f.
La probabilidad de que se tengan dos o ms xitos en el mismo punto del intervalo es
cero.
El nmero promedio de xitos en un intervalo es una constante l, que no cambia de
intervalo a intervalo.

3.2. Proceso experimental del que se deriva:


Esta distribucin se puede hacer derivar de un proceso experimental de observacin en el que
tengamos las siguientes caractersticas:
Se observa la realizacin de hechos de cierto tipo durante un cierto periodo de tiempo o
a lo largo de un espacio de observacin.
Los hechos a observar tienen naturaleza aleatoria; pueden producirse o no de una
manera no determinstica.
La probabilidad de que se produzcan un nmero x de xitos en un intervalo de amplitud
t no depende del origen del intervalo (Aunque, s de su amplitud).
La probabilidad de que ocurra un hecho en un intervalo infinitsimo es prcticamente
proporcional a la amplitud del intervalo.
La probabilidad de que se produzcan 2 o ms hechos en un intervalo infinitsimo es un
infinitsimo de orden superior a dos.

En consecuencia, en un intervalo infinitsimo podrn producirse O 1 hecho pero nunca ms de


uno:
Si en estas circunstancias aleatorizamos de forma que la variable aleatoria X signifique
o designe el "nmero de hechos que se producen en un intervalo de tiempo o de
espacio", la variable X se distribuye con una distribucin de parmetro.
As,

El parmetro de la distribucin es, en principio, el factor de proporcionalidad para la


probabilidad de un hecho en un intervalo infinitsimo. Se le suele designar como parmetro
de intensidad, aunque ms tarde veremos que se corresponde con el nmero medio de

2
UNIVERSIDAD DE LA COSTA
FACULTAD DE INGENIERA
PROGRAMA DE INGENIERA INDUSTRIAL
MTODOS Y TIEMPOS

hechos que cabe esperar que se produzcan en un intervalo unitario (media de la distribucin);
y que tambin coincide con la varianza de la distribucin.
Por otro lado es evidente que se trata de un modelo discreto y que el campo de variacin de
la variable ser el conjunto del nmero natural, incluido el cero:

3.3. Funcin de cuanta:


A partir de las hiptesis del proceso, se obtiene una ecuacin diferencial de definicin del
mismo que puede integrarse con facilidad para obtener la funcin de cuanta de la variable
"nmero de hechos que ocurren en un intervalo unitario de tiempo o espacio"

Que sera:

Obsrvense los valores prximos en la media y su forma parecida a la campana de Gauss, en


definitiva, a la distribucin normal.
La funcin de distribucin vendr dada por:

3.4. Funcin Generatriz de Momentos:


Su expresin ser:

Dado que:

3
UNIVERSIDAD DE LA COSTA
FACULTAD DE INGENIERA
PROGRAMA DE INGENIERA INDUSTRIAL
MTODOS Y TIEMPOS

Tendremos que:

Luego,
Para la obtencin de la media y la varianza aplicaramos la F.G.M.; derivndola sucesivamente
e igualando t a cero (0).
As:

Una vez obtenida la media, obtendramos la varianza en base a:

Haciendo t = 0

Por lo que:

=
As se observa que media y varianza coinciden con el parmetro del modelo siendo, en cuanto
a la moda del modelo tendremos que ser el valor de la variable que tenga mayor probabilidad,
por tanto si Mo es el valor modal se cumplir que:

Y en particular:

A partir de estas dos desigualdades, es muy sencillo probar que la moda tiene que verificar:

De manera que la moda ser la parte entera del parmetro o dicho de otra forma, la parte entera
de la media.
Podemos observar como el intervalo al que debe pertenecer la moda tiene una amplitud de una
unidad, de manera que la nica posibilidad de que una distribucin tenga dos modas ser que
los extremos de este intervalo sean nmeros naturales, o lo que es lo mismo que el parmetro
sea entero, en cuyo caso las dos modas sern -1 y 1.

3.5. Teorema de adicin:

4
UNIVERSIDAD DE LA COSTA
FACULTAD DE INGENIERA
PROGRAMA DE INGENIERA INDUSTRIAL
MTODOS Y TIEMPOS

La distribucin de Poisson verifica el teorema de adicin para el parmetro. La variable suma


de dos o ms variables independientes que tengan una distribucin de poisson de distintos
parmetros (de distintas medias) se distribuir, tambin con una distribucin de Poisson con
parmetro la suma de los parmetros (con media, la suma de las medias).
En efecto:
Sean x e y dos variables aleatorias que se distribuyen con dos distribuciones de Poisson de
distinto parmetros siendo adems x e y independientes.
As:

E
Debemos probar que la variable Z = x + y seguir una Poisson con parmetro igual a la suma de
los de ambas:

En base a las F.G.M. para x:

Para y:

De manera que la funcin generatriz de momentos Z ser el producto de ambas ya que son
independientes.

Siendo la F.G.M. de una Poisson:

3.6. Convergencia de la distribucin binomial a la Poisson.


Se puede probar que la distribucin binomial tiende a converger a la distribucin de Poisson
cuando el parmetro n tiende a infinito y el parmetro p tiende a ser cero, de manera que el
producto de n por p sea una cantidad constante. De ocurrir esto la distribucin binomial tiende a
un modelo de Poisson de parmetro igual a n por p.
Este resultado es importante a la hora del clculo de probabilidades, o , incluso a la hora de inferir
caractersticas de la distribucin binomial cuando el nmero de pruebas sea muy grande

Y la probabilidad de xito sea muy pequea

El resultado se prueba, comprobando como la funcin de cuantia de una distribuccion binomial


con

Tiende a una funcin de cuanta de una distribucin de Poisson con

5
UNIVERSIDAD DE LA COSTA
FACULTAD DE INGENIERA
PROGRAMA DE INGENIERA INDUSTRIAL
MTODOS Y TIEMPOS

Siempre que este producto sea una cantidad constante (un valor finito). En efecto la funcin de
la cuantia binomial es

Y llamamos

Tendremos que:

Realizando

Que es la funcin de cuanta de una distribucin de Poisson.

3.7. Estimacin Bayesiana sobre muestras de Poisson:


Anlogamente a como plantebamos el problema de necesitar estimar la proporcin de una
caracterstica, en el caso de un modelo binomial, en alguna situacin prctica , podemos estar
interesados en determinar el parmetro desconocido de una distribucin de Poisson. Por ejemplo
podramos estar interesados en determinar el nmero medio de clientes que acuden a una
ventanilla de una oficina pblica.
El planteamiento de la estimacin podra hacerse utilizando informacin suministrada por una
experiencia {la observacin de cuntos hechos se producen en un intervalo experimental),
conjuntamente con algn otro tipo de informacin a priori .En este caso, estaramos, como ya
comentbamos en el caso binomial ante un planteamiento bayesiano del problema.
La solucin requerir que dispongamos de una informacin inicial que puede especificarse a
travs de una distribucin a priori de probabilidad. De manera que la funcin de cuanta de esta
distribucin a priori (o su f. de densidad si fuera continua) nos asigne probabilidades a cada
posible valor del parmetro.
Utilizando nicamente la informacin inicial la estimacin sera la media de la distribucin.
Pero realizando una experiencia podremos mejorar la informacin acerca de. Si observamos la
realizacin de hechos durante un intervalo experimental y se producen x hechos, para cada
posible valor de podremos calcular su verosimilitud definida como la probabilidad de que se d
ese resultado si el valor de es el considerado:

Obviamente esta probabilidad condicionada ser la funcin de cuanta de una distribucin de


Poisson con

Para el valor de la variable x. Finalmente podemos calcular las probabilidades de cada valor
alternativo de, condicionada al resultado de la experiencia aplicando el teorema de Bayes:

6
UNIVERSIDAD DE LA COSTA
FACULTAD DE INGENIERA
PROGRAMA DE INGENIERA INDUSTRIAL
MTODOS Y TIEMPOS

Estas probabilidades finales (a posteriori) constituirn la funcin de cuanta de la distribucin a


posteriori que nos dar cuenta de toda la informacin disponible (tanto muestral como no
muestral).
La estimacin mejorada del parmetro ser, entonces, la media de la distribucin a posterior.
Planteamos un ejemplo:
Tres ejecutivos del Insalud opinan que el nmero medio de pacientes que llegan a cierto servicio
nocturno de guardia durante una hora es 2, segn el primero, 3, segn el segundo, y 5 segn el
tercero.
Sus opiniones pueden ponderarse teniendo en cuenta que el primero tiene el doble de
experiencia profesional que los otros dos.
Para tomar una decisin de asignacin de personal en ese servicio quieren estimar el nmero
medio de pacientes, sin despreciar sus opiniones , por lo que realiza una experiencia controlando
una hora de actividad en el servicio en la que acuden 3 pacientes .Esta informacin la van a
combinar con la inicial a travs de un proceso Bayesiano :cmo lo haran?
La distribucin a priori ser tal que deber asignarse el doble de probabilidad a la alternativa
propuesta por el primer experto que a las de los otros dos. As que ser:
i P( i)
2 0,5
3 0,25
4 0,25

De manera que la estimacin inicial de sera, la media de la distribucin a priori:

Realizada la experiencia, las verosimilitudes de las tres alternativas nos vendrn dadas por la
funcin de cuanta de la distribucin de Poisson, con

2 0,180447
3 0,224042
5 0,140374

La funcin de cuanta de la distribucin a posteriori la obtendremos aplicando el Teorema de


Bayes y resultar ser:

2 0,497572
3 0,308891
5 0,193536

7
UNIVERSIDAD DE LA COSTA
FACULTAD DE INGENIERA
PROGRAMA DE INGENIERA INDUSTRIAL
MTODOS Y TIEMPOS

Esta distribucin a posteriori nos dar cuenta de toda la informacin disponible acerca del
parmetro desconocido, (nmero medio de pacientes por hora); tanto de la informacin subjetiva
de los expertos (convenientemente ponderada) como de la informacin emprica suministrada
por la observacin.

A partir de esta distribucin a posteriori podemos plantear nos dar un valor concreto para la
estimacin de considerando una funcin de prdida cuadrtica. La estimacin adecuada sera la
media de la distribucin a posteriori:

Pacientes la hora.

3.8. Media y Varianza:

La distribucin de Poisson tiene la caracterstica de que la esperanza y la varinancia son iguales,


esto es:

4. DESARROLLO EXPERIMENTAL

4.1. Procedimiento: Usando la caja binomial tomar 100 muestras de tamao 10, anotar en la
tabla No.1. El nmero de bolas de color diferente en cada muestra, proporcin de bolas de color
diferente en la poblacin p = 0,02.

5. ACTIVIDADES INDEPENDIENTES

5.1 Clculos y resultados:

Resumir los datos experimentales en forma de distribucin de la frecuencia de las bolas


de colores diferentes halladas en la muestra en la tabla No.2 y comparar la probabilidad
terica de Poisson y la probabilidad terica binomial dadas.

Trazar los histogramas de la probabilidad experimental y terica de poisson (media = 0,02)


con los datos de la tabla No.2.

Utilizando los datos del ejercicio No.1 y la tabla No.3 comparar la probabilidad
experimental con la probabilidad binomial y de Poisson (media = 1,5). Trazar los
histogramas de ambas probabilidades de Poisson, la terica (media = 1,5) y la
experimental con los datos de la tabla No.3.

Nota: Los histogramas se deben realizar en la misma figura con colores diferentes para cada
curva.

Qu conclusiones y recomendaciones se pueden hacer de la experiencia?

8
UNIVERSIDAD DE LA COSTA
FACULTAD DE INGENIERA
PROGRAMA DE INGENIERA INDUSTRIAL
MTODOS Y TIEMPOS

TABLA No.1 Resultados del nmero de bolas de colores diferentes.


1-10 0 0 0 0 1 0 2 1 0 1

11-20 1 0 1 0 0 0 0 0 0 0

21-30 0 1 0 2 0 1 0 0 0 0

31-40 0 0 0 0 0 0 0 0 0 2

41-50 0 0 0 0 0 0 1 0 0 0

51-60 0 0 0 0 1 0 0 0 0 0

61-70 1 0 0 0 0 0 0 0 0 0

71-80 0 1 0 0 0 0 0 0 0 1

81-90 0 0 0 0 0 0 1 0 0 0

91-100 0 0 0 0 0 0 0 0 0 0

RESUMEN DE GRUPO

0 1 2
G1 80 19 1
G2 81 18 1
G3 84 13 3
G4 80 20 0
TOTAL 325 70 3

TABLA No 2. Probabilidad experimental y terica GRUPO INDIVIDUAL


No. De bolas Frecuencia Probabilidad Probabilidad Probabilidad
de colores experimental experimental terica de terica
diferentes Poisson Binomial
0 84 0.84 0.818730 0.817072807
1 13 0.13 0.16374615 0.166749552
2 3 0.03 0.00109164 0.015313734
TOTAL 100 1 0.98356779 0.99913609

9
UNIVERSIDAD DE LA COSTA
FACULTAD DE INGENIERA
PROGRAMA DE INGENIERA INDUSTRIAL
MTODOS Y TIEMPOS

TABLA No 3. Probabilidades experimentales y tericas de todos los grupos.


No. De bolas Frecuencia Probabilidad Probabilidad Probabilidad
de colores experimental experimental terica de terica
diferentes poisson binomial
0 325 0.8125 0.818730 0.817072807
1 70 0.175 0.16374615 0.166749552
2 5 0.01 0.00109164 0.015313734
TOTAL 400 0.9975 0.98356779 0.99913609

GRAFICA No 1. No de bolas de color diferente Vs Frecuencia experimental

En este grafico logramos observar frecuencia en la que sale cada una de las bolas de colores,
podemos ver que en mayor cantidad esta la opcin de que no sale ni una sola bolita de color
diferente (Blanca). Tambin observamos que de 400 datos, la probabilidad de que nos salieran
dos bolitas en cada uno de los movimientos que se le hacan a la caja binomial es del 3%. El
mayor porcentaje de probabilidad se lo llevo la opcin de no salir ninguna bolita de color diferente
(blanca 84%).

10
UNIVERSIDAD DE LA COSTA
FACULTAD DE INGENIERA
PROGRAMA DE INGENIERA INDUSTRIAL
MTODOS Y TIEMPOS

GRAFICA No 2. Probabilidad experimental VS Probabilidad terica de Poisson

En este grafico logramos observar el resultado experimental de las probabilidades existentes (0,
1, 2). Vemos que de color Anaranjado tenemos la probabilidad Terica de Poisson y de color
verde la probabilidad experimental. Posterior a eso, vemos y analizamos que entre ms
aumentemos el nmero de bolitas de color diferente, las probabilidades tendern a ser ms
iguales y en este grafico tendern ms a ser cero (0).

GRAFICA No 3. Probabilidad terica de Poisson VS Probabilidad terica Binomial

En este grafico logramos observar casi lo mismo que en el grafico anterior, las probabilidades
son muy pero muy parecidas la una con la otra, tenemos que de color rojo esta la barra de la
Probabilidad terica Binomial, y de color azul esta la Probabilidad terica de Poisson.
Vuelve a suceder el caso que ambas tienden a cero (0) a medida que aumentamos el nmero
de bolitas diferentes. Estas son las probabilidades que estamos esperando al momento de
realizar el experimento. La lnea color amarillo, significa la media= 0.02 y la lnea de color verde
la media= 1.5. Si colocamos diferencias entre estas dos medias tenemos que al tener una media
de 1.5, se estara muy lejos de los datos que realmente tenemos solo unos pocos se acercaran
a esta, el resto serian datos atpicos por ser de menor valor.

11
UNIVERSIDAD DE LA COSTA
FACULTAD DE INGENIERA
PROGRAMA DE INGENIERA INDUSTRIAL
MTODOS Y TIEMPOS

6. CONCLUSIONES
En el estudio de la probabilidad, especficamente de las distribuciones binomiales, y de Poisson
se pueden apreciar distintas curvas de distribucin que dependen de los valores que se obtengan
en la experiencia, dependiendo de las caractersticas de los valores estudiados. Y la relacin
entre las diferentes probabilidades dependiendo del nmero de xitos y de fracasos, que arroja
el experimento. Este este tipo de estudios son de gran importancia en nuestra formacin como
ingenieros industriales y ms an si se desea desempearse en el rea de calidad, pues para
garantizar que los productos que una empresa ofrece al mercado, sean conformes se deben
aplicar pruebas que muy seguramente arrojaran resultados asociados a una distribucin de
poisson.

7. BIBLIOGRAFIA

- (Cesaes) Estadstico. Probab. Leton.23 21-25


https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/poisson.htm
- (Polilibros):http://148.204.211.134/polilibros/portal/polilibros/P_Terminados/Probabilidad
/doc/Unidad%202/2.9.htm

12