Sei sulla pagina 1di 33

Distribucin de Poisson

Distribucin De Poisson

El eje horizontal es el ndice k. La funcin solamente est definida en valores enteros de k. Las lneas que conectan los puntos son solo guas para el ojo y no indican
Funcin de probabilidad

continuidad.

El

eje

horizontal

es

el

ndice k.

Funcin de distribucin de probabilidad

Parmetros

Dominio

Funcin

de

probabilidad(fp)

Funcin

de (dnde laFuncin gamma incompleta) es

distribucin(cdf)

Media

Mediana

Moda

Varianza

Coeficiente simetra

de

Curtosis

Entropa

Funcin generadora de

momentos(mgf)

Funcin caracterstica

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 trabajoRecherches sur la probabilit des jugements en matires criminelles et matire civile (Investigacin sobre la probabilidad de los juicios en materias criminales y civiles ).

Propiedades
La funcin de masa de la distribucin de Poisson es

donde

k es el nmero de ocurrencias del evento o fenmeno (la funcin nos da la probabilidad de que el evento suceda precisamente k veces).

es un parmetro positivo que representa el nmero de veces que se espera que ocurra el fenmeno durante un intervalo dado. Por ejemplo, si el suceso estudiado tiene lugar en promedio 4 veces por minuto y estamos interesados en la probabilidad de que ocurra k veces dentro de un intervalo de 10 minutos, usaremos un modelo de distribucin de Poisson con = 104 = 40.

e es la base de los logaritmos naturales (e = 2,71828 ...)

Tanto el valor esperado como la varianza de una variable aleatoria con distribucin de Poisson son iguales a . Los momentos de orden superior son polinomios de Toucharden cuyos coeficientes tienen una interpretacin combinatorio. De hecho, cuando el valor esperado de la distribucin de Poisson es 1, entonces segn la frmula de Dobinski, el n-simo momento iguala al nmero de particiones de tamao n. La moda de una variable aleatoria de distribucin de Poisson con un no entero es igual a de los enteros menores que (los smbolos entero positivo, las modas son y 1. La funcin generadora de momentos de la distribucin de Poisson con valor esperado es , el mayor

representan lafuncin parte entera). Cuando es un

Las variables aleatorias de Poisson tienen la propiedad de ser infinitamente divisibles. La divergencia Kullback-Leibler desde una variable aleatoria de Poisson de parmetro 0 a otra de parmetro es

Intervalo de confianza
Un criterio fcil y rpido para calcular un intervalo de confianza aproximada de , se propone en Guerriero (2012)1 . Dada una serie de eventos k (al menos el 15 - 20) en un periodo de tiempo T, los lmites de lo intervalo de confianza vienen dadas por:

Relacin con otras distribuciones


Sumas de variables aleatorias de Poisson
La suma de variables aleatorias de Poisson independientes es otra variable aleatoria de Poisson cuyo parmetro es la suma de los parmetros de las originales. Dicho de otra manera, si

son N variables aleatorias de Poisson independientes, entonces

Distribucin binomial
La distribucin de Poisson es el caso lmite de la distribucin binomial. De hecho, si los parmetros n y que de una distribucin binomial tienden a infinito y a cero de manera

se mantenga constante, la distribucin lmite obtenida es de Poisson.

Aproximacin normal
Como consecuencia del teorema central del lmite, para valores grandes de , una variable aleatoria de Poisson X puede aproximarse por otra normal dado que el cociente

converge a una distribucin normal de media nula y varianza 1.

Distribucin exponencial

Supngase que para cada valor t > 0, que representa el tiempo, el nmero de sucesos de cierto fenmeno aleatorio sigue una distribucin de Poisson de parmetro t. Entonces, los tiempos discurridos entre dos sucesos sucesivos sigue la distribucin exponencial.

Ejemplos
Si el 2% de los libros encuadernados en cierto taller tiene encuadernacin defectuosa, para obtener la probabilidad de que 5 de 400 libros encuadernados en este taller tengan encuadernaciones defectuosas usamos la distribucin de Poisson. En este caso concreto, k es 5 y , , el valor esperado de libros defectuosos es el 2% de 400, es decir, 8. Por lo tanto, la probabilidad buscada es

Este problema tambin podra resolverse recurriendo a una distribucin binomial de parmetros k = 5, n = 400 y =0,02.

Procesos de Poisson
Artculo principal: Proceso de Poisson.

La distribucin de Poisson se aplica a varios fenmenos discretos de la naturaleza (esto es, aquellos fenmenos que ocurren 0, 1, 2, 3,... veces durante un periodo definido de tiempo o en un rea determinada) cuando la probabilidad de ocurrencia del fenmeno es constante en el tiempo o el espacio. Ejemplos de estos eventos que pueden ser modelados por la distribucin de Poisson incluyen:

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 animales muertos encontrados por unidad de longitud de ruta. El nmero de mutaciones de determinada cadena de ADN despus de cierta cantidad de radiacin.

El nmero de ncleos atmicos inestables que decayeron en un determinado perodo

El nmero de estrellas en un determinado volumen de espacio. La distribucin de receptores visuales en la retina del ojo humano. La inventiva de un inventor a lo largo de su carrera.

http://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Poisson

5) DISTRIBUCIN DE POISSON. 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:

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.

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.

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.

Solucin: a) 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

= 0.0498026 + 0.149408 = 0.1992106


http://www.itch.edu.mx/academic/industrial/sabaticorita/_private/05Distr%20Poisson.htm

DISTRIBUCION DE POISSON CANTIDAD DE XITO EN UNA MUESTRA Si una variable aleatoria discreta X definida en un espacio de probabilidad <m>(Omega,Lambda,P(.)) es el numero de xitos en n repeticiones de un experimento de Bernoulli, entonces:

Donde lambda es igual a n * P ( tamano de muestra multiplicado por la probabilidad de xito) n = Tamao de muestra x = Cantidad de xitos P = Probabilidad de xito e = base de logaritmos = 2.718281828 Si ya se conoce que solo el 3% de los alumnos de Contabilidad son muy inteligentes calcular la probabilidad de que si tomamos 100 alumnos al azar 5 de ellos sean muy inteligentes. n = 100 P = 0.03 lambda = 100 * 0.03 = 3 x=5 e = 2.718281828

Ejercicio num. 2 La produccion de televisores en SAMSUNG trae asociada una probabilidad de defecto del 2%, si se toma un lote o muestra de 85 televisores , obtener la probabilidad de que existan 4 televisores con defectos. n = 85 P = 0.02

X=4 lambda = 1.7

Ejercicio num. 3 En una jaula con 100 pericos 15 de ellos hablan ruso calcular la probabilidad de que si tomamos 20 pericos al azar 3 de ellos hablen ruso. n = 20 p = 0.15 X=3 lambda =3

Ejercicio 4. Se calcula que en la ciudad el 20% de las personas tienen defecto de la vista si tomamos una muestra de 50 personas al azar Calcular la probabilidad de que 10 de ellos tengan defecto en la vista. n = 50 p = 0.2 lambda =10

Ejercicio num. 5. El 8% de los registros contables de una empresa presentan algun problema, si un auditor toma una muestra de 40 registros Calcular probabilidad de que existan 5 registros con problemas ? n = 40 p = 0.08

lambda =3.2 X=5

http://www.estadisticafacil.com/Main/DistribucionDePoisson

DISTRIBUCIN DE POISSON ir a script de la distribucin de Poisson

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 . Proceso experimental del que se puede hacer derivar 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 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 de los nmero naturales, incluido el cero:

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 : programa de clculo

ir a

Cuya representacin grfica para un modelo de media 11 sera la adjunta . 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 : Funcin Generatriz de Momentos

Su expresin ser :

dado que que

tendremos

luego : Para la obtencin de la media y la varianza aplicaramos la F.G.M.; derivndola sucesivamente e igualando t a cero . 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 cmo 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 . Teorema de adicin. 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 distintos 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 de Z ser el producto de ambas ya que son independientes :

Siendo Poisson

la F.G.M de una

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 pequea . y la probabilidad de xito sea muy

El resultado se prueba , comprobando como la funcin de cuanta de una distribucin binomial con y una distribucin de Poisson con cantidad constante ( un valor finito) tiende a una funcin de cuanta de siempre que este producto sea una

En efecto : la funcin de cuanta de la binomial es Y llamamos tendremos que:

realizando distribucin de Poisson

que es la funcin de cuanta de una

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 a priori. 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:

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 posteriori. 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 2 3 4 P( i) 0,5 0,25 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
i 2 3 5 0,180447 0,224042 0,140374

La funcin de cuanta de la distribucin a posteriori la obtendremos aplicando el Teorema de Bayes y resultar ser:
i 2 3 5 0,497572 0,308891 0,193536

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
http://www.uv.es/ceaces/base/modelos%20de%20probabilidad/poisson.htm

DISTRIBUCION DE POISSON Se dice que existe un proceso de Poisson si podemos observar eventos discretos en un rea de oportunidad un intervalo continuo (de tiempo, longitud, superficie, etc.) de tal manera que si se reduce lo suficiente el rea de oportunidad o el intervalo, 1. La probabilidad de observar exactamente un xito en el intervalo es constante. 2. La probabilidad de obtener ms de un xito en el intervalo es 0. 3. La probabilidad de observar un xito en cualquier intervalo es estadsticamente independiente de la de cualquier otro intervalo. Esta distribucin se aplica en situaciones como:

El numero de pacientes que llegan al servicio de emergencia de un hospital en un intervalo de tiempo. El numero de radiaciones radiactivas que se recibe en un lapso de tiempo, El numero de glbulos blancos que se cuentan en una muestra dada. El numero de partos triples por ao

Su utilidad en el rea de la salud es muy amplia. La expresin matemtica para la distribucin de Poisson para obtener X xitos, dado que se esperan l xitos es:

Donde: P(X) = probabilidad de X xitos dado el valor de l l = esperanza del nmero de xitos. e = constante matemtica, con valor aproximado 2.711828 X = nmero de xitos por unidad La distribucin de Poisson se considera una buena aproximacin a la distribucin binomial, en el caso que np < 5 y p < 0.1 n > 100 y p < 0.05 y en ese caso l = np. El interes por sustituir la distribucin Binomial por una distribucin de Poisson se debe a que esta ultima depende unicamente de un solo parmetro, l , y la binomial de dos, n y p. Veamos un ejemplo: Si en promedio, llegan tres pacientes por minuto al servicio de emergencia del hospital del Nio durante la hora del almuerzo. Cul es la probabilidad de que en un minuto dado, lleguen exactamente dos pacientes? Y Cul es la probabilidad de que lleguen ms de dos pacientes en un minuto dado? Datos: l = 3 pacientes por minuto P(X=2) = ? Para resolver esto utilizamos al Excel. De las funciones estadsticas, seleccionamos la funcin POISSON.

Ingresamos la informacin que tenemos: y listo, tenemos el resultado: P(X=2) = 0.2240

Para resolver la segunda parte del problema P(X>2) = ? Con el Excel encontraremos P(X 2) y hacemos el siguiente clculo: P(X > 2 ) = 1 - P(X 2) Utilizando nuevamente el Excel:

Entonces: P(X>2) = 1 0.4232 = 0.5768

http://www.monografias.com/trabajos26/distribucion-probabilidades/distribucionprobabilidades.shtml#distrpoisson

DISTRIBUCIN DE POISSON
La distribucin de POISSON es tambin un caso particular de probabilidad de variable aleatoria discreta, el cual debe su nombre a Simon Denis Poisson (1781-1840), un francs que la desarroll a partir de los estudios que realiz durante la ltima etapa de su vida. Esta distribucin se utiliza para describir ciertos procesos. Caractersticas: En este tipo de experimentos los xitos buscados son expresados por unidad de rea, tiempo, pieza, etc: - # de defectos de una tela por m2 - # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc. - # de bacterias por c m2 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 es:

donde: p(X) = probabilidad de que ocurran x xitos, cuando el nmero promedio de ocurrencia de ellos es l. l = media o promedio de xitos por unidad de tiempo, rea o producto e = 2.718 (base de logaritmo neperiano o natural) 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. Clculo de la distribucin de probabilidad de Poisson por tres mtodos: a) Utilizacin del Minitab 15. b) Utilizacin de la frmula c) Utilizacin de las tablas de Poisson

Por ejemplo: Si un banco recibe en promedio (l=) 6 cheques sin fondo por da, cules son las probabilidades de que reciba: a) cuatro cheques sin fondo en un da dado (x), b) 10 cheques sin fondos en cualquiera de dos das consecutivos? (e= 2.718281828) a) Clculo de la distribucin de probabilidad de Poisson utilizando el Minitab 15. Resolviendo para: a) x = 4; l = 6 cheques sin fondo por da

Titular la columna C1 como X y en el rengln 1 columna 1 se coloca el nmero 4 (el cual representa el nmero de ocurrencia del evento, ya que se desea saber la probabilidad de que el banco reciba 4 cheques sin fondos en un da dado). (Referirse a la figura 2) Seleccionar: Calc / Probability Distributions / Poisson En seguida aparecer una ventana "Poisson Distribution" ("Distribucin de Poisson").

Seleccionar Probability En el campo de "Mean" (media = l ) colocar 6 (promedio de cheques diarios recibidos sin fondos)

En el campo de "Input column" colocar el puntero del mouse y automticamente aparecer en el recuadro de la izquierda C1 X. Seleccionarlo con el puntero del mouse y presionar "Select"

Una vez alimentado los datos presionar "OK" .

Para obtener as el resultado. a. Por lo tanto la probabilidad de que el banco reciba cuatro cheques sin fondo en un da dado es:

Resolviendo de igual manera para: b. X=10; l= 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos das consecutivos.

Para obtener as el resultado. b. Por lo tanto la probabilidad de que el banco reciba diez cheques sin fondo en dos das consecutivos es:

a. Clculo de la distribucin de probabilidad de Poisson utilizando la frmula

Resolviendo para: a) x = 4; l = 6 cheques sin fondo por da y sustituyendo en la frmula

Resolviendo:

Resolviendo de igual manera para: b) X=10; l= 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos das consecutivos.

Resolviendo:

c) Clculo de la distribucin de probabilidad de Poisson utilizando las tablas de Poisson


Valores directos para determinar probabilidades de Poisson. Para un valor dado de , la entrada indica la probabilidad de obtener un valor especfico de X

Para el mismo ejemplo, resolviendo para: a) Cul es la probabilidad de que el banco reciba cuatro cheques sin fondo en un da dado? Se tiene x = 4; l = 6 cheques sin fondo por da; obteniendo resultado directo de tablas :

Para el mismo ejemplo, resolviendo para: b) Cul es la probabilidad de que el banco reciba diez cheques sin fondo en dos das consecutivos? Se tiene X=10; l= 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos das consecutivos, obteniendo resultado directo de tablas :

http://www.monografias.com/trabajos57/distribuciones-probabilidad/distribucionesprobabilidad2.shtml