ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL

ESTADÍSTICA DESCRIPTIVA

II PARCIAL
Índice

Introducción 3

Marco teórico 6

Desarrollo 9

Conclusiones 10

Recomendaciones 11
 1. Alcance

Se planifica entregar un documento sustentado, el cual muestre, ​¿cómo se puede relacionar la

variable en torno a la vida diaria? ​Pequeños ejemplos que demuestran la utilidad y la razón
de la creación de poisson,y que soluciones of​rece.

2. Objetivos

2.1. Objetivo General

Utilizar la distribución de poisson para obtener las probabilidades de aquellas

situaciones que ocurren de forma ocasional.

2.2. Objetivos Específicos

● Identificar las aplicaciones de una distribución de Poisson.

● Conocer la historia de la variable Poisson.
● Desarrollar un ejemplo de aplicación de la variable Poisson.
● Determinar los valores de frecuencia p y segmento n.
● Calcular la media, la varianza y la desviación estándar utilizando las variables
de distribución de poisson.

3. Introducción

​En este trabajo describiremos el uso de la ​distribución​ de ​Poisson​ para obtener la

probabilidad de ocurrencia de sucesos raros (evento que ocurren con poca frecuencia) cuyo
resultado lo representa una variable discreta. En teoría de la probabilidad y la estadística,
la ​distribución​ de ​Poisson​ es una ​distribución​ de probabilidad discreta que expresa la
probabilidad de que un determinado número de eventos que ocurren en un intervalo fijo de
tiempo y/o espacio si estos eventos se producen,por esta razón planteamos un problema real
donde se puede aplicar esta variable y asi demostrar sus resultados, los datos planteados y
resueltos serán tratados de la mejor manera para brindar facilidad de comprensión.

4. Marco teórico

4.1 Antecedentes

La distribución de Poisson recibe nombre en honor al matemático francés Simeon Denis

Poisson (1781-1840).
Existen situaciones en las que la probabilidad de ocurrencia p de un suceso es muy pequeña
mientras que es muy grande el número n de unidades a verificar. El cálculo de probabilidades
con la binomial resulta muy costoso por lo que se intenta aproximarlo a otra distribución. Para
los científicos de la época ésta era la ley normal, que consideraban una especie de dogma
universal, a la que debían someterse todos los fenómenos, incluso los de carácter social. Sin
embargo, Poisson obtiene en 1836 este importante resultado “si p difiere mucho de 1/2 la ley
normal no es la representación asintótica adecuada”. Descubría así la ley que lleva su nombre,
la “ley de los sucesos raros”, llamada por Bortkiewicz “ley de los pequeños números”

4.2. DEFINICIONES

4.2.1. Variable aleatoria

Es aquella para la cual no es posible conocer de antemano un valor exacto. La ocurrencia de

determinados valores se expresa en términos de probabilidad. Una variable aleatoria puede
ser continua, discreta o mixta. Por ejemplo, el tiempo para falla de un componente es una
variable aleatoria continua y el número de descargas atmosféricas que pueden ocurrir en una
región es una variable aleatoria discreta (pueden ocurrir 0, 1, 2 o n descargas). 2.2

4.2.2. Proceso estocástico

Un proceso estocástico es una variable aleatoria indexada con un parámetro que, por lo
general, es el tiempo. Más precisamente, un proceso estocástico es una colección de variables
aleatorias. Hay una variable aleatoria para cada valor del índice del proceso. La probabilidad de
ocurrencia de un valor de la variable aleatoria depende de la aleatoriedad del fenómeno y del
índice del proceso estocástico. Un proceso estocástico puede ser continuo, discreto o mixto.

El ​proceso de Poisson es un proceso estocástico discreto pues el número de eventos que

pueden ocurrir es una variable aleatoria discreta. Sin embargo, el índice del proceso de
Poisson, en este caso el tiempo, es continuo

4.3. Fundamentación Teórica

4.3.1. Proceso Puntual o de Conteo

Según establece Papoulis (1991), un proceso estocástico { N (t),t≥ 0) }es un proceso puntual o
de conteo si N (t) representa el número total de eventos que han ocurrido hasta el momento t.

Así por ejemplo si, N (t) es el número de goles marcado por un futbolista hasta t, { N (t),t≥ 0) }
es un proceso de conteo. En este caso un gol es un ​evento​.

Podemos decir que, para que un proceso sea puntual o de conteo, N (t) debe satisfacer:

✓ N (t) ≥ 0
✓ N (t) es entero.
✓ Si s ≤ t entonces N(s) ≤ N (t).
✓ Para s < t, N (t) – N(s) es el número de eventos ocurridos en el intervalo (s, t).

4.3.2. Proceso de Poisson.

Siguiendo lo expuesto por Papoulis (1991), supongamos que se presentan “eventos” en puntos

temporales aleatorios, y sea N (t) el número de eventos ocurridos en el intervalo de tiempo

[0,t]. Se dice que estos eventos constituyen un proceso de Poisson con tasa λ, λ > 0, si:

✓ N(0) = 0
✓ El número de eventos ocurridos en intervalos de tiempo disjuntos son independientes.
✓ La distribución del número de eventos que ocurre en un intervalo dado, depende tan
solo de la longitud del intervalo y no de su ubicación.
✓ La distribución del número de eventos que ocurre en un intervalo dado, depende tan
solo de la longitud del intervalo y no de su ubicación.
P { N (h)=1}
✓ limh−0 h =λ
P { N (h)≥2}
✓ limh−0 h =0

De la condición (a) vemos que el proceso se inicia en el tiempo 0. La condición (b), la

suposición del incremento independiente, dice, por ejemplo, que el número de eventos hasta
el momento t [es decir N (t)] es independiente del número de eventos que ocurren entre t y
t+s [que es N (t+s)-N (t)]. La condición (c), la suposición del incremento estacionario, señala
que la distribución de probabilidad de N (t+s)-N (t) es la misma para todos los valores de t. Las
condiciones (d) y (e) indican que la probabilidad de que ocurra un evento en un intervalo
pequeño de tiempo, de longitud h, es de aproximadamente λ.h, mientras que la probabilidad
de dos o mas es aproximadamente cero.
 ✓ Puede demostrarse que bajo las suposiciones anteriores, para un proceso de Poisson
k
con tasa λ, P {N (t) = k } = e−λ t (λk!t) , k = 0, 1, 2, ……

Es decir el número de eventos en un intervalo de longitud t tiene una distribución de Poisson

con media λ.t

5. ​Aplicaciones de la variable aleatoria de Poisson

La distribución poisson es una de las variables de distribución discreta con mayor
importancia ya que nos permite la modelización de situaciones en la que nos interesa
determinar el número de hechos de cierto tipo, que se pueden producir en un intervalo
de tiempo o espacio, de acuerdo a circunstancias restrictivas y aleatorias.

Esta distribución se puede hacer derivar de un proceso experimental de observación

en el que tengamos las siguientes características:

· Se observa la realización de hechos de cierto tipo durante un cierto periodo de

​

tiempo o a lo largo de un espacio de observación

· Los hechos a observar tienen naturaleza aleatoria ; pueden producirse o no de una

​

manera no determinística.

· La probabilidad de que se produzcan un número x de éxitos en un intervalo de

​

amplitud t no depende del origen del intervalo (Aunque, sí de su amplitud)

· La probabilidad de que ocurra un hecho en un intervalo infinitésimo es

​

prácticamente proporcional a la amplitud del intervalo.

· La probabilidad de que se produzcan 2 o más hechos en un intervalo infinitésimo es

​

un infinitésimo de orden superior a dos.

Esta distribución puede ser encontrada en varias ocasiones de la vida cotidiana, sobre
todo en fenómenos relacionados con la naturaleza, es decir, con los fenómenos que se
dan 0, 1, 2….veces en un intervalo de tiempo o espacio. En este tipo de experimentos
los éxitos buscados son expresados por unidad de área, tiempo, pieza, etc. Algunos
ejemplos de estos fenómenos que podemos modelar con una distribución de Poisson
son:

·​ Número de defectos de una tela por m2

​

·​ Número de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc, etc.
​

·​ Número de bacterias por cm2 de cultivo

​

·​ Número de llamadas telefónicas a un conmutador por hora, minuto, etc, etc.

​

·​ Número de llegadas de embarcaciones a un puerto por día, mes, etc, etc.

​
 Para determinar la probabilidad de que ocurran x éxitos por unidad de tiempo, área, o
producto, la fórmula a utilizar sería:

Donde:

p(x, l) = probabilidad de que ocurran x éxitos, cuando el número promedio de

ocurrencia de ellos es l

l = media o promedio de éxitos por unidad de tiempo, área o producto

e = 2.718

x = variable que nos denota el número de éxitos que se desea que ocurra

Hay que hacer notar que en esta distribución el número de éxitos que ocurren por
unidad de tiempo, área o producto es totalmente al azar y que cada intervalo de tiempo
es independiente de otro intervalo dado, así como cada área es independiente de otra
área dada y cada producto es independiente de otro producto dado.

5. 1. Ejemplos de aplicación

a. Una empresa electrónica observa que el número de componentes que fallan

antes de cumplir 100 horas de funcionamiento es una variable aleatoria de Poisson.
Si el número promedio de estos fallos es ocho, 1. ¿cuál es la probabilidad de que
falle un componente en 25 horas? 2. ¿y de que fallen no más de dos componentes
en 50 horas? 3. ¿cuál es la probabilidad de que fallen por lo menos diez en 125
horas​?

Solución

Sea la variable aleatoria δ , con distribución de Poisson con parámetro λ = [ ] δ = 8, δ E

que determina el número de componentes que fallan antes de cumplir 100 horas de
funcionamiento.

1. Considerando que se cumplen ciertas condiciones de regularidad, podemos asumir

que una variable η que mide el número de componentes que fallan antes de cumplir 25
horas de funcionamiento sigue una distribución de Poisson con parámetro λη = E [η ] =
8=4 = 2.

Por lo tanto, la probabilidad deseada es la siguiente:

2. Análogamente, definimos una variable aleatoria U con distribución de Poisson de
parámetro λU = 8=2 = 4, que mide el número de componentes que fallan antes de
cumplir las 50 horas de funcionamiento. Se tiene entonces que:

3. De la misma forma, definiendo una variable aleatoria V con distribución de Poisson

de parámetro λV = 10 , se obtiene:

b. Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un día dado, b) 10
cheques sin fondos en cualquiera de dos días consecutivos?
​ olución:
S
a) x = variable que nos define el número de cheques sin fondo que llegan
al banco en un día cualquiera = 0, 1, 2, 3, ....., etc, etc.
l​ = 6 cheques sin fondo por día
e​ = 2.718
b) x= variable que nos define el número de cheques sin fondo que llegan al
banco en dos días consecutivos = 0, 1, 2, 3, ......, etc., etc.
l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos
días consecutivos.
Nota: ​l siempre debe de estar en función de x siempre o dicho de otra
forma, debe “hablar” de lo mismo que x.

c. En la inspección de hojalata producida por un proceso electrolítico continuo, se

identifican 0.2 imperfecciones en promedio por minuto. Determine las
probabilidades de identificar a) una imperfección en 3 minutos, b) al menos dos
imperfecciones en 5 minutos, c) cuando más una imperfección en 15 minutos.
Solución:
a) ​x = variable que nos define el número de imperfecciones en la hojalata
por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.
l = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la
hojalata.
b) ​x = variable que nos define el número de imperfecciones en la hojalata
por cada 5 minutos = 0, 1, 2, 3, ...., etc., etc.
l​ = 0.2 x 5 =1 imperfección en promedio por cada 5 minutos en la hojalata.

6. Planteamiento del caso a analizar

Si al aeropuerto Ecuatoriano José Joaquín de Olmedo llegan aviones cada día (12 de
ellos pertenecen a la empresa Tame) para dejar y subir pasajeros, y un grupo de
especialistas han modelado que en 100 días, el número de aviones que ingresan al
aeropuerto está dada por la variable poisson igual a 10 a) ¿Cuál es la probabilidad de
que aterricen 4 aviones de esta aerolínea en un día dado? y b) ¿Cuál es la probabilidad
de que aterricen 10 aviones en cualquiera de los dos días consecutivos?

Experimento: Número de aviones que aterrizan en un aeropuerto por día

Valores generados aleatoriamente de la llegada de los aviones al aeropuerto.

Si los aviones entran al aeropuerto aleatoriamente durante cinco días

consecutivos.1

10 11 12 13 14 15 16 17 18 19

10 11 12 13 14 15 16 17 19 20

10 11 12 13 14 15 17 17 19 20

10 11 12 13 14 15 17 18 19 20

10 11 12 14 14 16 17 18 19 20

11 11 12 14 15 16 17 18 19 20

11 12 12 14 15 16 17 18 19 20

11 12 13 14 15 16 17 18 19 20

11 12 13 14 15 16 17 18 19 20

11 12 13 14 15 16 17 18 19 20

.​Moda: La moda es el valor que más se repite en una muestra, en este caso los valores
que más se repiten son 11,12,14,17.
Media para datos agrupados: ​Se calcula sumando todos los productos de marca
clase con la frecuencia absoluta respectiva y su resultado dividirlo por el
número total de datos.

n=100
_
X= Σ mi* fi / n = (176+234+300+323+513)/100 = 15.46

Varianza:
_
​s​2​= Σ (Xi-X)^2 / n-1

​s​2=​ 9.5612

Desviación Estándar:

(σ): 3.0766215236847
7. Conclusiones

8. Bibliografía