Distribución de
Poisson
Integrantes:
[Link] Valeria De León Cruz Rubio
[Link] De León Velázquez
[Link] Hernan Cortes Fonseca
[Link] Emilio Figueroa Calderon
[Link] Jose de Leon Cardona
[Link] Escalante Perez
¿Qué es la distribución de
Poisson?
Es una distribución de probabilidades discreta, mediante
la cual se puede conocer la probabilidad de que, dentro de
una muestra de tamaño grande y durante un cierto
intervalo, ocurra un evento cuya probabilidad es pequeña.
Se puede utilizar en lugar de la distribución binomial,
siempre y cuando se cumpla que haya una muestra
grande y probabilidad pequeña.
Características de la
Distribución de Poisson
Naturaleza discreta: La variable aleatoria Eventos independientes: Los eventos
de Poisson toma solo valores enteros no son independientes entre sí, lo que
significa que la ocurrencia de un
negativos, como 0, 1, 2, etc.
evento no afecta la probabilidad de
Parámetro λ (lambda): La distribución
que ocurra otro.
depende de un solo parámetro, λ, que
Eventos en intervalos fijos: Los
representa la tasa media de ocurrencia
eventos se consideran en un
de eventos en un intervalo dado. Por
intervalo de tiempo o espacio fijo.
ejemplo, si en promedio ocurren 4
Por ejemplo, el número de llamadas
eventos por hora, entonces λ = 4.
telefónicas que una central recibe en
una hora.
Condiciones para Aplicar la
Distribución de Poisson
Eventos independientes: Los eventos ocurren de manera
independiente unos de otros. Esto significa que la ocurrencia
de un evento no afecta la probabilidad de que ocurran otros
eventos.
Tasa de ocurrencia constante (λ): La tasa promedio de
ocurrencia de eventos (λ) debe ser constante en el tiempo o
en el espacio.
Probabilidad de eventos múltiples en intervalos pequeños: Para
intervalos de tiempo o espacio muy pequeños, la probabilidad de que
ocurran dos o más eventos es casi nula, y la probabilidad de que
ocurra un evento en un intervalo corto es directamente proporcional a
la longitud del intervalo.
LA FORMA MATEMÁTICA DE LA
DISTRIBUCIÓN DE POISSON ES LA LA MEDIA DE LA DISTRIBUCIÓN VIENE
SIGUIENTE: DADA POR:
➢ La variable aleatoria es y La varianza σ, que mide la dispersión de
➢ La probabilidad de obtener y = k es P los datos, es otro parámetro
➢P(y = k): La probabilidad de que ocurran importante. Para la distribución de
exactamente k eventos en un intervalo. Poisson es: σ=μ
➢ λ (lambda): La tasa promedio de
Poisson determinó que cuando n → ∞, y
ocurrencia de eventos en el intervalo
p → 0, la media μ –también llamada valor
observacional.
esperado-– tiende a una constante: μ →
➢ e: La base del logaritmo natural constante
Formas de distribución de
Poisson
A PARTIR DE UN PROCESO
Un proceso de Poisson es un POISSON
modelo para describir eventos que
ocurren de manera aleatoria e Si observamos un proceso de Poisson con una
independiente en un intervalo de tasa de ocurrencia λ (es decir, el número
tiempo o espacio fijo, donde los promedio de eventos por unidad de tiempo o
espacio), la distribución de Poisson se define de la
eventos tienen una tasa promedio
siguiente manera para el número de eventos kkk
constante, pero los intervalos entre
que ocurren en un intervalo de tiempo dado:
ellos son variables.
donde:
X es la variable aleatoria que representa el número de
eventos en un intervalo.
λ es la tasa promedio de ocurrencia de eventos en el
intervalo de interés.
COMO LIMITE DE LA
DISTRIBUCION BINOMIAL
Cuando n es muy grande y p es muy pequeño (es
decir, la probabilidad de éxito en cada ensayo es baja,
pero el número total de ensayos es alto) manteniendo
constante el producto λ =np, se puede demostrar que
la distribución binomial converge a una distribución de
Poisson con parámetro λ:
En otras palabras, la distribución de
Poisson es una buena aproximación para
la distribución binomial cuando nnn es
grande y ppp es pequeño, lo que significa
que estamos modelando eventos raros.
Aplicaciones
Seguros: Para predecir la
Número de meteoritos
Número de meteoritos cantidad de reclamaciones
de diámetro mayor a 1
de diámetro mayor a 1 que se pueden recibir en un
m caídos en un año.
m caídos en un año. período definido.
Chispas de chocolate
Call Centers: Para
Defectos por metro presentes en 1 kg de
optimizar la cantidad
cuadrado de una tela. masa para pastel.
de personal necesario
Número de árboles con base en el número
Cantidad de células
infectados por cierto de llamadas recibidas.
sanguíneas en 1
parásito en 1 hectárea
centímetro cúbico. Tráfico y Transporte:
de bosque.
Para evaluar patrones
Llamadas por minuto a Epidemiología: Para modelar de accidentes o flujo
una central telefónica. la cantidad de ocurrencias de vehículos en
de una enfermedad en diferentes horas del
ciertas poblaciones. día.
ejemplos:
Conclusion
Conclusión Finalizamos con que se trata de una
herramienta fundamental en la estadística que nos brinda la
oportunidad de modelar y predecir la ocurrencia de eventos
en un intervalo de tiempo o espacio establecido. Dado que
nos familiarizamos con la fórmula de distribución de
Poisson y su utilidad en ejemplos prácticos, podemos
aprovechar su potencial en diversos ámbitos profesionales.
Es fundamental tener en cuenta las condiciones necesarias
para aplicar la distribución de Poisson y cómo se relaciona
con otros conceptos de probabilidad. Mediante el uso de
ejercicios prácticos y ejemplos, hemos percatado de cómo
esta distribución de Poisson puede ayudar a tomar
decisiones fundamentadas en datos reales.
