Académique Documents
Professionnel Documents
Culture Documents
Distribución de Poisson
Ejemplo, las llegadas de los clientes al Dubek’s Food Market en Tallase, Florida.
Se han presentado recientemente algunos problemas de personal, los gerentes
solicitan los servicios de una empresa de consultoría para que les ayude en la
programación de los empleados de las cajas. Después de revisar el avance de las
filas en las cajas, la empresa de consultoría sugerirá un procedimiento para la
programación de los empleados de cajas. Este procedimiento se basa en un análisis
matemático de las filas y sólo es aplicable si el número de llegadas de clientes
durante un determinado lapso de tiempo sigue una distribución de Poisson. Por
tanto, antes de poner en marcha el procedimiento de programación, habrá que
recolectar datos sobre las llegadas de los clientes y realizar una prueba estadística
para ver si es razonable suponer que las llegadas de los clientes siguen una
distribución de Poisson.
Variable discreta
Una variable discreta es aquella que toma valores aislados, es decir no admite
valores intermedios entre dos valores específicos. Por ejemplo:
Pero, si la muestra lleva a rechazar Ho, no se podrá suponer que las llegadas siguen
una distribución de Poisson y habrá que considerar otro procedimiento de
programación.
Para probar la suposición de que las llegadas de los clientes en las mañanas de los
días entre semana siguen una distribución de Poisson, un empleado de la tienda
toma una muestra aleatoria de 128 intervalos de 5 minutos, en las mañanas de tres
semanas consecutivas. Durante cada uno de los intervalos de 5 minutos que forman
la muestra, el empleado registra el número de llegadas de clientes. El empleado
determina el número de intervalos de 5 minutos en los que no hubo ninguna llegada,
el número de intervalos de 5 minutos en los que hubo una llegada, el número de
intervalos de 5 minutos en los que hubo dos llegadas, etc.
Numero de
Llegada de Frecuencia
clientes observada
0 2
1 8
2 10
3 12
4 18
5 22
6 22
7 16
8 12
9 6
128
Se debe usar la prueba de bondad de ajuste para determinar si las muestras de los
128 lapsos favorecen la hipótesis de que las llegadas tienen una distribución de
Poisson.
μ = 640/128 = 5
Con este valor como media poblacional aplicamos la distribución de Poisson, una
estimación de la función de probabilidad de Poisson es:
Probabilidad de
numero de frecuencia Poisson
Antes de hacer los cálculos habituales para comparar las frecuencias observadas y
esperadas, hay que observar que en la tabla hay cuatro categorías que tienen una
frecuencia esperada menor que cinco. Esto viola los requerimientos para el uso de
la distribución chi-cuadrada. Sin embargo, no es una dificultad, ya que se pueden
combinar categorías menores que cinco para satisfacer la condición de que la
frecuencia esperada sea “por lo menos cinco”.
Probabilidad Número
| de esperado
De lapsos de 5 minutos
Numero de Frecuencia Poisson con
Llegada de X llegadas,
clientes observada F(x) 128 f (x) (ei)
1 10 0.0403 5.17 5,1700
2 10 0,084221522 10,78035486 10,78
3 12 0,140369204 17,96725811 17,97
4 18 0,175461505 22,45907263 22,46
5 22 0,175461505 22,45907263 22,46
6 22 0,146217921 18,71589386 18,71
7 16 0,104441372 13,36849561 13,36
8 12 0,065275857 8,355309759 8,36
9 6 0,0541 8.73 8,73
mas 128 128,0000
Cuadrado de
Frecuencia Frecuencia Diferencia la diferencia
Dividido entre
la
frecuencia
Numero de observada Esperada Diferencia Al cuadrado esperada
llegada de
clientes fi ei ( fi - ei) ( fi - ei)2 ( fi -ei)2/ei
4,5123
1 10 5,17 4,8300 23,3289
0,0564
2 10 10,78 -0,7800 0,6084
1,9778
3 12 17,96 -5,9700 35,6409
0,882
4 18 22,45 -4,4600 19,8916
0,009
5 22 22,45 -0,4600 0,2116
0,5785
6 22 18,71 3,2900 10,8241
0,5216
7 16 13,36 2,6400 6,9696
1,5955
8 12 8,35 3,6400 13,2496
0,8749
9 6 8,77 -2,7300 7,4529
mas 128 128,0000 Varianza X2=11,008
X2=11,008
Valor-p
X2 = 11.008 corresponde a un área, en la cola superior de valor-p(0,25 y 0, 10) y
un valor critico (9,037 y 12,017), Por tanto se sabe que el valor-p para 0.05 =
14.067
0.25 a 0.10<=0.05
No se cumple, por lo tanto no se rechaza Ho, entonces se acepta
Como el valor-p > α=0.05, no se puede rechazar Ho. De manera que no se puede
rechazar la suposición de que la distribución de probabilidad de las llegadas de los
clientes, en las mañanas entre semana, siga una distribución de probabilidad de
Poisson. De esta manera, los administradores de Dubek’s pueden continuar con el
procedimiento de programación para las mañanas de los días entre semana.
Valor critico