Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Manuel Pontigo A.
ISBN 9968-9634-0-3
mpontigo@itcr.ac.cr
MEN
El Descubridor
Binomial y Poisson
Problema 1; Llegadas.
Propiedades de D. Poisson.
Obteniendo el Promedio
Problema 2: Fallas
Colas y Lneas de Espera
Problema 3: Emergencias
Prueba Bondad Ajuste.1
Distribuciones de Probabil.
Planes de Control de Calidad
Problema 4, Envases H. Lata
Activar la Hoja Electrnica
Introduccin
El Descubridor
x
P( x)
e
x!
En donde e = 2,71828... es la base de los logaritmos neperianos. La
frmula se usa para calcular las probabilidades de la distribucin
denominada con el nombre del autor, Poisson cuyos trminos
iniciales son:
P ( 0) e
P (1) e
2
P (2)
e
2
3
P (3)
e
(2)(3)
Procesos Poisson.
Problema 1. De Llegadas.
Obteniendo el Promedio
Frecuencia
Observada
Suma de Das
Suma Total de Virus
Promedio
Frecuencia
por evento
1
0
2
1
1
3
0
0
2
2
0
8
5
6
21
0
0
20
10
62
6,2
En donde el promedio se
obtiene mediante,
10
fx
i 2
10
i i
f
i 2
1 2 0 3 ... 2 10 62
6,2
1 0 ... 2
10
Las Respuestas.
240
x
i 1
240
0,2583
Problema 2. Fallas.
10
11
Frecuencia Frecuencia
Observada
por Evento
78
0
21
21
1
2
0
0
Suma de Das
Suma Total Inperfecciones
Promedio
Tamao de muestra
Proporcin
100
23
0,23
10
0,023
fx
i 0
3
i i
78 0 21 1 1 2 0 3 23
0,23
78 21 1
100
i 0
x 0,23
0,023
n
10
Estadsticos obtenidos
ejercicio de la empresa.
del
12
3 n p 3 0,023 0,069
1e 0,0691 e 0, 069
P ( x 1)
1!
1
POISSON(1;0,069;0) 0,0644
5 n p 5 0,023 0,069
0,1150 e 0,115 0,1151 e 0,115
P( x 2) 1
0
!
1
!
1 - 0,8914 0,1025
1 - POISSON(1;0,115;1) 0,0061
15 15 0,023 0,345
0,3450 e 0, 345 0,3451 e 0,345
P ( x 2)
0
!
1
!
0,8914 0,1025
POISSON(1;0,345;1) 0,9526
13
14
- Los Clientes que requieren un servicio a travs del tiempo son una Fuente
de Entrada que pasa a ocupar un lugar en El Sistema de Colas cuando el
cliente se une a una de estas.
- En determinado momento se selecciona un cliente de la Cola mediante
una regla conocida como Disciplina de Cola o Disciplina de Servicio.
- Pasado un tiempo, mediante un mecanismo especfico se le proporciona
el servicio solicitado. El cliente despus de recibirlo Sale del Sistema de
Cola. Esquemticamente:
Sistema de Cola
Fuente de
Entrada
Cliente
Cola
Tiempo de
Espera
Mecanismo
de
Servicio
Cliente
Servido
15
La Distribucin de Frecuencias
16
0
1
2
3
4
5
6
7
8
9
10
Sumas
Promedios
FRECUENCIAS OBSERVADAS
Maana
Tarde
Resto Da
5
24
44
86
56
61
48
25
10
3
3
365
0
5
34
41
66
50
46
48
40
18
17
365
48
97
97
70
36
9
8
0
0
0
0
365
EXPANSIN DE TOTALES = f * x
Maana
Tarde
Resto Da
0
24
88
258
224
305
288
175
80
27
30
1499
4,107
0
5
68
123
264
250
276
336
320
162
170
1974
5,408
0
97
194
210
144
45
48
0
0
0
0
738
2,022
17
Para la maana:
xm
fx
i 0
10
i i
f
i 0
4,107
5 24 ... 3
365
5,408
0 5 ... 17
365
2,022
48 97 ... 0
365
10
Para la tarde:
xt
fx
i 0
10
i i
i 0
10
xr
fx
i 0
10
i i
f
i 0
18
Prueba
Ajuste
Chi-Cuadr.
-1,0
0,1690
-0,7
0,0184
-6,7
0,8765
16,6
3,9941
-15,2
3,2484
2,5
0,1078
8,0
1,5850
1,5
0,0974
-2,1
0,3511
-2,5
1,1378
-0,5
0,0767
11,6622
Probabilidad
0,3083
2
111
10
foi
i 0
fei
fei
2
2
2
5 6,0
24 24,7
3 3,5
...
6,0
11, 6622
F11,6622; 11-1 Y0
24,7
11,6622
1
111
2
3,5
1
11, 6622
2
11,6622
DISTRIBUCION.CHI(11,6622; 11 1) 0,3083
19
Sumas
0
5
34
41
66
50
46
48
40
18
17
365,0
1,6
8,8
23,9
43,1
58,3
63,0
56,8
43,9
29,7
17,8
17,9
365,0
-1,6
-3,8
10,1
-2,1
7,7
-13,0
-10,8
4,1
10,3
0,2
-0,9
Probabilidad
1,6351
1,6699
4,2562
0,1030
1,0219
2,6977
2,0615
0,3826
3,5893
0,0015
0,0494
17,4681
0,0646
10
foi
i 0
fei
2111
fei
2
2
2
0 1,6
5 8,8
17 17,9
...
1,6
8,8
17,9
17,4681
Con
una
probabilidad
aceptacin de::
17 , 4681
F17, 4681;11-1 Y0
17,4681 2 111 e
de
1
17 , 4681
2
DISTRIBUCION.CHI(17,4681; 11 1) 0,0646
20
Prueba
Ajuste
Chi-Cuadr.
-0,3
0,0022
-0,7
0,0052
-1,8
0,0322
3,4
0,1760
2,3
0,1636
-4,6
1,5609
3,4
2,5415
-1,3
1,3246
-0,3
0,3348
-0,1
0,0752
0,0
0,0152
6,2314
Probabilidad
0,7955
La prueba de Chi-cuadrada se
estim en:
Con
una
probabilidad
aceptacin de:
F 6,2314; 11-1 Y0
6, 2314
6,2314
1
111
2
1
6 , 2314
2
de
DISTRIBUCION.CHI(6,2314; 11 1) 0,7955
21
Estimacin Poisson
0,30
0,25
Probabilidades
Emergencia
x
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
0,20
0,15
0,10
0,05
0,00
0
10 11
12 13 14
15
Tardes
R. Da
Promedio
16 17
22
23
24
25
26
27
28
p (1 p )
0,0231 - 0,023
0,023 2,576
0,094
n
30
LIC p z
p 1 p
0,0231 - 0,023
0,023 2,576
-0,048
n
30
El grfico muestra a la
observacin 11 fuera de
control estadstico y ms
all de la norma al
sobrepasar
el
Lmite
Superior de Control.
LSC
0,10
Proporciones
0,09
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
Promedio
LIC
0,00
1
11
13
15
17
19
Muestras
21
23
25
27
29
31
33
29
30
La Segunda Propiedad
La segunda propiedad se deduce de la anterior. Ya que por sus
caractersticas de medir eventos raros, la pequea magnitud de la
proporcin p tiende a ser constante y para un conjunto de variables X,
independientemente del tao de n, el promedio de ellas ser:
m
G n1 p n2 p ... nm p p ni nG p
i 1
Por estas dos propiedades se ha visto que la distribucin de Poisson es til para
aproximarse al fenmeno cuando el promedio es pequeo, an cuando el valor
de n no est bien definido y an, s los valores n y p se presume que varan de una
muestra a otra.
El ejemplo que ha servido desde hace mucho tiempo para ejemplificar el uso de la
distribucin de Poisson se debe a Ladislaus von Bortkewitch (1.898) que se refiere
al nmero de hombres en la caballera Prusiana que mueren en un ao por coces
de caballos. Si se tienen N = 200 observaciones una por cada 10 batallones en 20
aos, Cualquier da un hombre est expuesto a la pequea probabilidad de que sea
coceado, pero no est claro que valor tiene n y tambin p que puede ser variable
para cada individuo.
31
32
4 o ms
80
61
13
La Distribucin de Frecuencias
N Accidentes Frecuencia Frecuencia
x
Observada por evento
0
80
0
1
61
61
2
13
26
3
1
3
4
0
0
Estadsticos
N Observaciones
155
N de Accidentes
90
Promedio de accidentes
0,5806
33
fx
i 0
4
f
i 0
80 0 61 1 ... 0 4 90
0,5806
80 61 ... 4
150
34
Frecuencias Esperadas:
N Accidentes Probabilidad
Frecuencias
x
Poisson
Observada
Esperada
0
0,5595
80
86,7
1
0,3249
61
50,4
2
0,0943
13
14,6
3
0,0183
1
2,8
4
0,0027
0
0,4
5
0,0003
0
0,0
6
0,0000
0
0,0
7
0,0000
0
0,0
Sumas
1,0000
155
155,0
Probabilidad
F 4,5909; 8-1 Y0
Bondad
Ajuste
0,5220
2,2488
0,1795
1,1831
0,4108
0,0477
0,0046
0,0004
4,5969
0,7090
4, 5909
x e
0,5806 2 e 0,5806
; Ej : fe2 155
14,6
x
!
2
!
fei n
Y la prueba de 2:
721
80 86,7 2 61 50,4 2
86,7
50,4
... 4,5969
Y la probabilidad que
determina el estadstico
4,5909
1
81
2
1
4 , 5909
2
d 0,7090
Estimadores
Promedio
Varianza
0,0000
0,1886
0,3249
0,0571
0,1886
0,1900
0,0548
0,1069
0,0106
0,0310
0,0015
0,0060
0,0002
0,0009
0,0000
0,0001
0,5806
0,5806
35
El Promedio:
7
0,5806
La varianza:
n
pi xi 2 0,559537(0 0,5806) 2
2
i 0
Promedio:
i 1
N
N
Varianza:
x
i 1
9
0,018
500
p 1 p 0,018
36
El Promedio es Suficiente
En la distribucin Poisson el promedio es lo nico que se requiere
conocer para efectuar estimaciones, puesto que se ha
comprobado que = 2.
Para muestras de tamao n = 5 se espera un promedio de 5
0,018 = 0,09 unidades fuera de norma. Comprobaremos este
promedio utilizando la tabla de frecuencias para las muestras de
tamao n = 5.
Evento
x
0
1
2
Sumas
N Muestras
Promedio fuera norma
Frecuencia
Observada
92
7
1
100
Totales x
Evento
0
7
2
9
100
0,0900
El Promedio:
2
x5
fx
i 0
2
f
i 0
92 0 7 1 1 2
9
0,09
92 7 1
100
37
38
Sumas
Probabilidad
Frecuencias
Poisson
Observada Esperada
0
0,9139
92
91,4
1
0,0823
7
8,2
2
0,0037
1
0,4
3
0,0001
0
0,0
4
0,0000
0
0,0
5
0,0000
0
0,0
1,0000
100,0000
100,0000
Probabilidad
Prueba
B. Ajuste
0,0040
0,1826
1,0718
0,0111
0,0002
0,0000
1,2697
0,9380
x e
0,09 2 e 0, 09
P ( xi )
; P ( x 2)
0,037
x!
2 1
92 91,4 2 7 8,2 2
91,4
1, 2697
P( 52 )
8,2
...
0 0,00.. 2
0,00..
1,2697
f ( x; n; np)dx 0,9380
39
x np 0,5
xpq
; zc
0,5
0,1597
3,1305
1
2
0 ,1597
1
2
9 500 0 , 02
500 0 , 02 0 , 98
dz 0,4366
40
1
1
0,018 - 0,02
2N ; z
2 500 -0,1597
c
pq
0,02 0,98
N
500
p P
0,216 0 e 0, 216
p ( x12 0)
0,8057
0!
x e
F ( x 2) 1
1 POISSON(2;0,216;1) 1 0,9986 0,0014
x!
x 0
2
s
s
P x z
X xz
0,98
n
n
1,488
1,488
Pr 1.000 2,326
X 1,000 2,326
0,98
12
12
41
42
LSC xo 1,645
LIC xo 1,645
1,3626(1,488)
LMS x o 0,674
1000,6
5
LMI xo 0,674
1,488
5
1001,1
998,9
1,3626(1,488)
5
999,4
2.
3.
43
Zona A
Zona B
1.000,5
Zona C
1.000,0
Zona C
999,5
Zona B
999,0
Muestras
29
27
25
23
21
19
17
15
13
11
Zona A
998,5
1
Volumen Envasado
1.001,0
44
Control Conjunto.
Muchos casos de control de la produccin y de la calidad de un
producto maquinado o manufacturado requiere de controles
conjuntos sobre elementos que no cumplen ciertas normas de
produccin o calidad.
Usualmente, el control ejercido sobre la variable cualitativa que
califica a una unidad como No Aceptable y Aceptable es
mucho ms estricta que la variable cuantitativa que mide o
determina la magnitud de la falla.
La base estadstica que da soporte a los procesos de control de la
calidad y proceso es la presentacin aleatoria de las diferencias en
las unidades fabricadas.
Los Sistemas de control de procesos mediante variables cualitativas
y cuantitativas son complementarios.
45
Resumen: Prefacio.
La Distribucin Poisson se adapta muy apropiadamente a variables
cualitativas en donde interesan eventos poco frecuentes.
El proceso Poisson se caracteriza por su dependencia del tiempo. Un
hecho ocurre o no en intervalos continuos de tiempo; La
probabilidad de ms de un evento cierto en un espacio de tiempo es
despreciable; La ocurrencia de un evento no depende de lo que pas
antes ni de lo que pasar despus.
Las cualidades de la distribucin Poisson le permiten adaptarse a
mltiples circunstancias, incluso cuando el espacio muestral no est
muy bien definido.
Se adapta muy apropiadamente a los procesos productivos en los
que interesan fallas o aciertos raros. Pero sobre todo, por la
constancia de las cantidades producidas por unidad de tiempo.
46
Recomendacin. Prefacio.
Se han preparado tres herramientas didcticas que cumplen
diferentes objetivos encaminados a que el estudiante entienda y
maneje adecuadamente el contenido del tema mediante el
desarrollo problemas escogidos.
La presentacin en diapositivas de la computadora personal como
mtodo audiovisual de comunicacin entre el profesor y el alumno.
En el que se plasma la esencia del concepto y su uso prctico.
La Hoja Electrnica como herramienta de trabajo que transporta
al estudiante de la frmula matemtica tradicional a la funcin
algortmica del computador.
Un compendio de la charla en un formato imprimible en la mitad
de hojas cartas para tener a la mano un libro y de consulta rpida.
47
48