Sei sulla pagina 1di 10

Procesos Estocsticos

Unidad 3 Evidencia de Aprendizaje

RESOLUCIN DE PROBLEMAS SOBRE PROCESOS DE POISSON


23 de septiembre de 2015
Autor: Laura Pontn

Procesos Estocsticos
Unidad 3 Evidencia de Aprendizaje
Introduccin:
El avance cientfico ha tenido que introducirle al tiempo infinidad de caractersticas inherentes, con lo
cual los grandes cientficos de la humanidad han podido usar y variar las propiedades del mismo,
adaptndola e introducindole una vital importancia, tal que dentro de los comportamientos
observados por el ser humano, destacan aquellos que dependen del azar y la suerte, los que no son
deterministas, y por tal motivo, en la antigedad, fueron los ms difciles de comprender y de manejar,
hasta determinado avance evolutivo de la matemtica.
Los procesos estocsticos, han modelado, las probabilidades y clculos a travs de herramientas fuertes
y aproximadas, sin margen de error y con una confiabilidad establecida, en los clculos de estos
procesos. Es a travs de las matemticas, donde apareci una infinidad de conceptos, de descripciones y
de alcance de resultados, que los grandes estudiosos de los temas no deterministas, pudieron establecer
sus teoras y sus logros.
Estas teoras hablan de la descripcin de las variables involucradas, en primer lugar, y como la ms
importante, y presente en casi todos los procesos de estudio de este contexto, es el tiempo.
Cientficos como Poisson, us sus conocimientos matemticos para poder describir lo que puede
ocurrir, en intervalos de tiempo. Como ejemplo de estas teoras, son los tiempos de espera o de
respuesta, tanto favorables como no favorables, de comportamientos de diferentes procesos, otro
ejemplo es medir las probabilidades de que un evento u observacin ocurra en intervalos de tiempo
constante, como lo son segundos, minutos, horas, etc.
Tal que el proceso Poisson es una herramienta cientfica confiable, para poder describir caractersticas
y probabilidades de lo que ocurre en un intervalo de tiempo.Lo que ocurre puede ser llegadas,
nacimientos, muertes, atencin al cliente, asistencias, fallas, errores, etc., y modelan situaciones en
actividades deportivas, comportamientos biolgicos, econmicos, comerciales, etc.

Procesos Estocsticos | 23/09/2015

Este est presente en todas las situaciones donde el comn denominador de estudio y observacin, por
lo general, es el tiempo.

1. Un mdico tiene citados a dos pacientes: uno a las 4 y el siguiente a las 4:30. El tiempo
que se tarda el mdico en cada consulta es una variable aleatoria que se distribuye como
exponencial con media de 30 minutos. Si ambos pacientes llegan a tiempo, determina el
tiempo medio que esperar el segundo paciente antes de ser atendido.

[] =

1
= 30

Comentado [LAPB1]: Media

(()) = (2 )
(2 ) =

(())
30
=
= 30
1

(30) (30)

El tiempo medio que esperara el segundo paciente es 0 minutos

2. Los defectos en la tela producida en una mquina, se presentan de acuerdo a una


distribucin Poisson de tasa 1.5 por rollo. Calcular la probabilidad de que:
a)

No se presenten defectos en los primeros dos rollos producidos un da.

b)
Se presenten al menos dos defectos en los primeros 4 rollos producidos un da s
se sabe que en el primer rollo se present un defecto.
c)
Sucede simultneamente que hay un defecto en los primeros 3 rollos y hay 4
defectos en los primeros 6 rollos.

a)

No se presenten defectos en los primeros dos rollos producidos un da.


0

(1.5)(2) ((1.5)(2))
= 0.04978
0!

La probabilidad de que no se presenten defectos en los primeros dos rollos es del 4.97%

b)
Se presenten al menos dos defectos en los primeros 4 rollos producidos un da s
se sabe que en el primer rollo se present un defecto.
((4) 2|(1) = 1) = ((3) 1)
0

(1.5)(3) ((1.5)(3))
=
0!

Procesos Estocsticos | 23/09/2015

=1

4.5 (4.5)3
3!

((3) 1) = 0.83128

La probabilidad de que se presenten al menos 2 defectos en los primeros 4 rollos es de 83.12%


c)
Sucede simultneamente que hay un defecto en los primeros 3 rollos y hay 4
defectos en los primeros 6 rollos.

((3) = 1, (6) = 4) =
((3) = 1, (6) (3) = 3)
= ((3) = 1, (3) = 3) =
[(3) = 1][(3) = 3] =
0

(1.5)(2) ((1.5)(2))
(1.5)(2) ((1.5)(2))
)(
)=
0!
3!
= 4.5 (4.5)

4.5 (4.5)3
3!

[(3) = 1][(3) = 3] = 0.00843

Procesos Estocsticos | 23/09/2015

La probabilidad que sucede simultneamente que hay un defecto en los primeros 3 rollos y hay 4
defectos en los primeros 6 rollos es del 0.843%

3. La llegada de clientes a un comercio, ocurre de acuerdo a un proceso Poisson nohomogneo, cuya tasa est dada por

1
, 0 t 8,
8t

donde t representa el nmero de horas transcurridas desde que abre el comercio.


a)
Cul es la probabilidad de que el primer cliente llegue en los primeros 20
minutos?
Para lambda mayscula:
1

= ()
0
8

=
0

1
8

[28 ]0 =
= 42
Donde la probabilidad:
1
= 20 =
3

1
( ( ) = 1) =
3

1
1
1
(42)( )
3 ((42) ( ))

1!

4
1
4
( ( ) = 1) = 32 ( 2) =
3
3

1
( ( ) = 1) = 0.2861
3

b)
Si en la primera hora llegaron 6 clientes, cul es la probabilidad de que 4 de ellos
hayan llegado en los primeros 40 minutos?
= 40 =

40 2
=
60 3

4
2
2 64
2 4
2 2
6 2
( ( ) = 4|(1) = 6) = ( ) ( ) (1 )
= 15 ( ) (1 ) = 0.329218
4
3
3
3
3
3

La probabilidad de que 4 de ellos hayan llegado en los primeros 40 minutos es del 32.92%

Procesos Estocsticos | 23/09/2015

La probabilidad de que el primer cliente llegue en los primeros 20 minutos es del 28.61%

c)
Si todos los clientes se demoran exactamente 12 min. dentro del banco, determina
el nmero esperado de clientes dentro del banco en cualquier instante del da.
Sea 0 8 cualquier instante del da:
Entonces se debe saber el nmero de clientes que existen en un instante, es igual si restando el valor
esperado de los clientes que han llegado menos el valor esperado de los clientes que se han ido.
Por lo que es una distribucin de Poisson con parmetro s
12 minutos
12 1
=
60 5
=

1
=5
1
(5)

Esperanza
[] = [()] [()] =
42 5 = (42 5)

El numero esperado de clientes en cualquier instante | 0 8 del da, desde que abren hasta
que cierran, es de (42 5)
4. Un cable para luz tiene defectos de acuerdo a un proceso de Poisson de parmetro
l=0.1 por km. Determina:
a)

Cul es la probabilidad de que no haya defectos en los primeros 4 kilmetros?


0

((4) = 0) =

( (0.1)(4) )((0.1)(4))
=
0!

= 0.4 = 0.67032

Procesos Estocsticos | 23/09/2015

La probabilidad de que no haya defectos en los primeros 4 kilmetros es del 67.03%

b)

Cul es la probabilidad de que haya un defecto en los primeros 3 kilmetros?


1

[(3) = 1] =

( (0.1)(3) )((0.1)(3))
=
1!

= 0.3 (0.3) = 0.222

La probabilidad de que haya un defecto en los primeros 3 kilmetros es del 22.2%

c)
Si no hay defectos en los primeros 2 kilmetros, cul es la probabilidad de que
tampoco lo haya en el cuarto kilmetro?
[(4) = 0|(2) = 0] =
0

[(2) = 0] =

( (0.1)(2) )((0.1)(2))
=
0!

= 0.2 = 0.81873

La probabilidad de que tampoco lo haya en el cuarto kilmetro es del 81.87%


5. Los autos en una agencia de servicio llegan de acuerdo con un proceso de Poisson de
tasa l=3 por hora. Si la agencia abre a las 9:00am. Cul es la probabilidad de que
exactamente dos clientes hayan entrado antes de las 9:45 am y que un total de 4 autos
hayan entrado antes de las 12:00 pm.?
1 = 1
=3

9: 45 9: 00 45 ,

45 3
=
60 4

9: 00 12: 00 = 3
9: 45 12: 00 2 15 , 2.25 =

9
4

Por lo que las probabilidades por separado son:


=

3
=3
4

9
3
=
4
4
3
9
3
9
[ ( ) = 2, ( ) = 2] = [ ( ) = 2] [ ( ) = 2]
4
4
4
4

3
3
(3)( )
4 ) ((3) ( ))

2!
(

9
9
(3)( )
4 ) ((3) ( ))

2!
)(

Procesos Estocsticos | 23/09/2015

3
3
3
[ ( ) = 2, (3) = 4] = [ ( ) = 2, (3) ( ) = 2]
4
4
4

=(

9 9 2
4 (4)

2!

27 27 2
4 ( 4 )
)(
) = 0.007116
2!

Comentado [LAPB2]: Probabilidad buscada

La probabilidad de que exactamente dos clientes hayan entrado antes de las 9:45 am y que un total de 4
autos hayan entrado antes de las 12:00 pm es del 0.7116%

6. Supongamos que la muerte de clulas ocurre de acuerdo a un proceso Poisson con


tasa l= 13 por da.
a)

Calcular el tiempo esperado hasta mueran 35 clulas

= 35
[35 ] =

35
= 2.692
13

El tiempo esperado es de 2.69 das.


b)
Calcular la probabilidad de que despus a los 9 das hayan muerto menos 150
clulas.
= 9 < 35
[(9) < 150] = 1

117 (117)150
= 0.999954
150!

Es un 99.99% | es muy cercano al 100% de probabilidad.

Procesos Estocsticos | 23/09/2015

7. Suponga que la llegada de vacacionistas a Acapulco se puede modelar mediante un

proceso Poisson con tasa = 245 por semana. Si el nmero de personas en cada grupo
de vacacionista es independiente del tamao de las otros vacacionistas y toma los
valores 1, 2, 3, 4, 5, 6 con probabilidades 1/12, 1/12, 2/6, 2/6, 1/12, 1/12
respectivamente.
= 6
1 =

1
1
=
12 2 12

3 =

2
6

4 =

2
6

5 =

1
12

6 =

1
12

a)
Calcular el nmero esperado de individuos que llegan a Acapulco durante un
periodo de un mes (4 semanas).

[ ] = ( ) = ( )
=1

=1

1
1
2
1
1
1
[ ] = 1 ( ) + 2 ( ) + 3 ( ) + 4 ( ) + 5 ( ) + 6 ( ) =
12
12
6
12
12
12
=

1 1
1 5 1
+ +1+ +
+ =
12 6
3 12 2
[ ] =

5
2

El valor esperado para la variable individuos es:


[(4)] = [ ]
5
245(4) ( ) = 2450
2

El nmero esperado de individuos que llegan a Acapulco durante un periodo de 4 semanas es de 2,540
vacacionistas
b)

Obtener la varianza del nmero de personas que visitan Acapulco en 4 semanas.

[2 ] = (2 ) = (2 )
=1

=1

1
1
2
1
1
1
[2 ] = 12 ( ) + 22 ( ) + 32 ( ) + 42 ( ) + 52 ( ) + 62 ( ) =
12
12
6
12
12
12
[2 ] =

59
6

Entonces, la varianza es:


[(4)] = [2 ]
59
[(4)] = 245(4) ( ) =
6
=

28910
= 9636.66
3

La varianza del nmero de personas que visitan Acapulco en 4 semanas es de 9,637 vacacionistas

Procesos Estocsticos | 23/09/2015

Conclusin:
El proceso Poisson se encuentra en la mayora de los estudios donde se observan ocurrencias en lapsos
de tiempo. Esta es una herramienta propia de la probabilidad y de la estadstica, tanto para medir las
frecuencias de acontecimientos, referidos a un tiempo, como para el procesamiento, ordenamiento y
clasificacin de conjuntos con propiedades comunes.
Matemticamente, tales ocurrencias se observan desde un tiempo inicial o cero, y sujetas a una tasa de
intensidad, y en este caso de estudio, sujetndose a los principios esenciales de los procesos
estocsticos.
Desde el momento en que se observaron las muertes a causa de las patadas de caballo, los suicidios
infantiles, hasta las medidas de tasas de datos entrantes en una computadora, o las observaciones de
grupos de individuo en una red social, el estudio del proceso Poisson es un modelo matemtico
aplicable a todas las reas cientficas.
Bibliografa
cimat.mx. (23 de Septiembre de 2015). cimat. Obtenido de
http://www.cimat.mx/~jortega/MaterialDidactico/modestoI10/Poisson2.pdf
Ortega, J. (23 de Septiembre de 2015). cimat. Obtenido de /www.cimat.mx:
http://www.cimat.mx/~jortega/MaterialDidactico/modestoI10/Poisson2.pdf
upm.es. (23 de Septiembre de 2015). http://www.dia.fi.upm.es/~arminda/Archivos-IO/P2.pdf.
Obtenido de upm.es: http://www.dia.fi.upm.es/~arminda/Archivos-IO/P2.pdf

Procesos Estocsticos | 23/09/2015

Zylberberg, A. (23 de Septiembre de 2015). academia.edu. Obtenido de


https://www.academia.edu/4140209/05_Proceso_de_Poisson