INVESTIGACIN DE OPERACIONES II

INGENIERIA INDUSTRIAL

INDICE

ING. ARTURO VELASCO BERNAL

INVESTIGACIN DE OPERACIONES II

INGENIERIA INDUSTRIAL

INTRODUCCIN En teora de probabilidad y estadstica, la distribucin de Poisson es una distribucin de probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la probabilidad que ocurra un determinado nmero de eventos durante cierto periodo de tiempo. Fue descubierta por Simon-Denis Poisson, que la dio a conocer en 1838 en su trabajo Recherches sur la probabilit des jugements en matires criminelles et matire civile (Investigacin sobre la probabilidad de los juicios en materias criminales y civiles). La distribucin Poisson es, junto con la distribucin binomial, una de las ms importantes distribucin de probabilidad para variables discretas, es decir, slo puede tomar los valores 0, 1, 2, 3, 4,..., k. La finalidad del presente objeto de aprendizaje, es adquirir la destreza y conocimiento necesario para la correcta utilizacin de la distribucin de Poisson en el clculo de probabilidades. Para ello, en primer lugar presentamos los objetivos especficos que pretendemos conseguir; a continuacin trabajaremos la definicin y caractersticas de la distribucin de Poisson, haciendo especial relevancia en cmo identificarla y diferenciarla de otras distribuciones discretas y se resuelven algunos ejemplos prcticos.

ING. ARTURO VELASCO BERNAL

INVESTIGACIN DE OPERACIONES II

INGENIERIA INDUSTRIAL

DISTRIBUCIN DE POISSON. En estadstica y simulacin un Proceso de Poisson (tambin conocido como "Ley de los sucesos raros") llamado as por el matemtico Simon Denis Poisson (17811840) es un proceso estocstico de tiempo continuo que consiste en "contar" eventos raros (de ah el nombre "ley de los eventos raros") que ocurren a lo largo del tiempo. Un proceso Poisson con intensidad (o tasa) es un proceso de contar en

tiempo continuo

, donde

es una coleccin de variables aleatorias

con las siguientes propiedades: 1. .

2. Si 3. Para

entonces todo y

. , las variables aleatorias

, son independientes 4. Para toda y y tienen la misma distribucin.

5.

6.

Donde o(h) es una funcin tal que:

ING. ARTURO VELASCO BERNAL

INVESTIGACIN DE OPERACIONES II

INGENIERIA INDUSTRIAL

es el nmero de eventos que se han producido desde el instante cero hasta el

instante . Como en cualquier proceso estocstico, en el instante cero es una

variable aleatoria; pero, despus del instante es un dato. Se trata de un modelo discreto, pero en el que el conjunto de valores con probabilidad no nula no es finito, sino numerable. Se dice que una variable aleatoria X sigue la distribucin de Poisson si su funcin de densidad viene dada por:

CARACTERSTICAS En este tipo de experimentos los xitos buscados son expresados por unidad de rea, tiempo, pieza, etc, etc,: - # de defectos de una tela por m2 - # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc, etc. - # de bacterias por cm2 de cultivo - # de llamadas telefnicas a un conmutador por hora, minuto, etc, etc. - # de llegadas de embarcaciones a un puerto por da, mes, etc, etc. Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo, rea, o producto, la frmula a utilizar sera:

ING. ARTURO VELASCO BERNAL

INVESTIGACIN DE OPERACIONES II

INGENIERIA INDUSTRIAL

donde: p(x, ) = probabilidad de que ocurran x xitos, cuando el nmero promedio de ocurrencia de ellos es

= media o promedio de xitos por unidad de tiempo, rea o producto = 2.718 x = variable que nos denota el nmero de xitos que se desea que ocurra
Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren por unidad de tiempo, rea o producto es totalmente al azar y que cada intervalo de tiempo es independiente de otro intervalo dado, as como cada rea es independiente de otra rea dada y cada producto es independiente de otro producto dado.

PROPIEDADES A partir de la definicin es posible demostrar que:

Las variables aleatorias

tienen distribucin Poisson con parmetro

Si

denota el tiempo transcurrido desde el (k-1)-simo evento hasta el k-

simo, entonces

es una variable aleatoria con distribucin exponencial y

parmetro

ING. ARTURO VELASCO BERNAL

INVESTIGACIN DE OPERACIONES II

INGENIERIA INDUSTRIAL

Si

denota el tiempo transcurrido desde el inicio del conteo hasta el n-

simo evento, entonces

tiene distribucin Gamma con parmetros

PROCESOS DE POISSON NO HOMOGENEOS. A menudo son ms realistas los modelos basados en procesos de Poisson no homogneos, en los que la tasa de llegadas es una funcin del parmetro de tiempo, (t). Formalmente esto significa que un Proceso de Poisson no homogneo es un proceso de contar que satisface: 1.

2. Los incrementos en intervalos ajenos son independientes. 3.

4.

Los tres mtodos ms conocidos de generacin de un proceso de Poisson no homogneo de este tipo se basan en la modificacin de la escala de tiempo, en el condicionamiento y en una adaptacin del mtodo de rechazo. Para procesos homogneos hay una densidad media . Eso significa que la media

de los sucesos en un intervalo de tiempo es

ING. ARTURO VELASCO BERNAL

INVESTIGACIN DE OPERACIONES II

INGENIERIA INDUSTRIAL

El tiempo entre dos sucesos de un proceso de Poisson con intensidad media

es

una variable aleatoria de distribucin exponencial con parmetro . La distribucin de Poisson se puede expresar de forma grfica, ya que en realidad consiste en un diagrama de barras, similar a los obtenidos en la funcin de probabilidad, pero con forma asimtrica positiva como sucede con la distribucin binomial. Sin embargo al ir aumentando los valores de , va adquiriendo la tpica forma de campana de Gauss, pudiendo a deducirse, que conforme aumenta , las variables de Poisson van a poder aproximarse a la distribucin normal, por el Teorema Central del Lmite. La aproximacin se considera buena para valores de iguales o superiores a 9.

Imagen Grfica de la funcin de probabilidad de variables Poisson.

ING. ARTURO VELASCO BERNAL

INVESTIGACIN DE OPERACIONES II

INGENIERIA INDUSTRIAL

Imagen Grfica de la funcin de probabilidad de variables Poisson.

APLICACIONES. Se pueden modelar muchos fenmenos como un proceso de Poisson. El nmero de sucesos en un intervalo de tiempo dado es una variable aleatoria de distribucin de Poisson donde es la media de nmeros de sucesos en este

intervalo. El tiempo hasta que ocurre el suceso nmero

en un Proceso de

Poisson de intensidad

es una variable aleatoria con distribucin gamma o (lo

mismo) con distribucin de Erlang con

Otras aplicaciones:

La cantidad de clientes que entran a una tienda. El nmero de coches que pasan por una autopista.
ING. ARTURO VELASCO BERNAL

INVESTIGACIN DE OPERACIONES II

INGENIERIA INDUSTRIAL

La llegada de personas a una fila de espera. El nmero de llamadas que llegan a una central telefnica. Partculas emitidas por un material radiactivo.

Ejemplos: 1. Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las probabilidades de que reciba, a) cuatro cheques sin fondo en un da dado, b) 10 cheques sin fondos en cualquiera de dos das consecutivos? Solucin: a) x = variable que nos define el nmero de cheques sin fondo que llegan al banco en un da cualquiera = 0, 1, 2, 3, ....., etc, etc.

= 6 cheques sin fondo por da = 2.718

b)

x= variable que nos define el nmero de cheques sin fondo que

llegan al banco en dos das consecutivos = 0, 1, 2, 3, ......, etc., etc.

= 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en

dos das consecutivos Nota: siempre debe de estar en funcin de x siempre o dicho de otra forma, debe hablar de lo mismo que x.

ING. ARTURO VELASCO BERNAL

10

INVESTIGACIN DE OPERACIONES II

INGENIERIA INDUSTRIAL

2. En la inspeccin de hojalata producida por un proceso electroltico continuo, se identifican 0.2 imperfecciones en promedio por minuto. Determine las probabilidades de identificar a) una imperfeccin en 3 minutos, b) al menos dos imperfecciones en 5 minutos, c) cuando ms una imperfeccin en 15 minutos.

ING. ARTURO VELASCO BERNAL

11

INVESTIGACIN DE OPERACIONES II Solucin: a)

INGENIERIA INDUSTRIAL

x = variable que nos define el nmero de imperfecciones en la hojalata por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.

= 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la

hojalata

b)

x = variable que nos define el nmero de imperfecciones en la

hojalata por cada 5 minutos = 0, 1, 2, 3, ...., etc., etc.

= 0.2 x 5 =1 imperfeccin en promedio por cada 5 minutos en la

hojalata

=1-(0.367918+0.367918) = 0.26416 c) x = variable que nos define el nmero de imperfecciones en la hojalata por cada 15 minutos = 0, 1, 2, 3, ....., etc., etc.

= 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la

hojalata

= 498026 + 0.149408 = 0.1992106

ING. ARTURO VELASCO BERNAL

12

INVESTIGACIN DE OPERACIONES II

INGENIERIA INDUSTRIAL

ING. ARTURO VELASCO BERNAL

13

INVESTIGACIN DE OPERACIONES II

INGENIERIA INDUSTRIAL

CONCLUSIN El modelo de distribucin de Poisson sirve para definir variables aleatorias discretas X, X ~ Ps () que representan el nmero promedio de ocurrencias de un fenmeno durante un periodo de tiempo fijo o une regin fija del espacio. Por lo general se asemejan a variables binomiales con un elevado valor de n y un valor muy bajo de p y vendrn caracterizadas un valor promedio, np, al que se denomina . La distribucin de Poisson se emplea para describir varios procesos, entre otros: El nmero de autos que pasan a travs de un cierto punto en una ruta (suficientemente distantes de los semforos) durante un periodo definido de tiempo. El nmero de errores de ortografa que uno comete al escribir una nica pgina. El nmero de llamadas telefnicas en una central telefnica por minuto. El nmero de servidores web accedidos por minuto. El nmero de defectos en una longitud especfica de una cinta magntica. El nmero de mutaciones de determinada cadena de ADN despus de cierta cantidad de radiacin. El nmero de defectos por metro cuadrado de tela. El nmero de estrellas en un determinado volumen de espacio.

Cada una de estas variables aleatorias representa el nmero total de ocurrencias de un fenmeno durante un periodo de tiempo fijo o en una regin fija del espacio. Expresa la probabilidad de un nmero k de ocurrencias acaecidas en un tiempo fijo, si estos eventos ocurren con una frecuencia media conocida y son independientes del tiempo discurrido desde la ltima ocurrencia o suceso. BIBLIOGRAFA Hillier Lieberman, INVESTIGACIN DE OPERACIONES, Mc Graw Hill 7 Edicin 2002.
ING. ARTURO VELASCO BERNAL

14

INVESTIGACIN DE OPERACIONES II

INGENIERIA INDUSTRIAL

ING. ARTURO VELASCO BERNAL

15