Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
1 Distribuciones discretas: Poisson Este proceso caracteriza la ocurrencia de eventos en el tiempo o en el espacio. Un proceso de este tipo es llamado proceso de Poisson que da lugar a varios modelos: El de Poisson es de tipo discreto y los de tipo continuo son conocidos como exponencial y gamma. Las hipótesis del proceso de Poisson son: 1) En cada intervalo de tiempo o espacio, puede ocurrir aleatoriamente un solo evento. 2) La ocurrencia del evento es independiente de los que ocurren en otros intervalos. 3) La probabilidad de ocurrencia del evento es el intervalo proporcional al tamaño del intervalo. La constante de proporcionalidad λ es la tasa media de ocurrencia. La distribución de Poisson, parte de la distribución binomial: Cuando en una distribución binomial se realiza el experimento un número "n" muy elevado de veces y la probabilidad de éxito "p" en cada ensayo es reducida o cercana a 0, entonces se aplica el modelo de distribución de Poisson. Definición: Sea X la v. a. discreta que caracteriza el número de ocurrencias en un periodo t y sea λ la tasa media de ocurrencias por unidad de tiempo, por lo que el número total de ocurrencias en el periodo será c=λt. Si se divide el periodo t en n intervalos de manera que cumplan las 3 hipótesis antes citadas, la probabilidad de ocurrencia en cada intervalo será de P=c/n . Si se considera la ocurrencia como éxito, la variable aleatoria X estará distribuida según un modelo binomial con probabilidad P y tamaño n->∞, con lo que se garantiza intervalos suficientemente pequeños. Por lo tanto: 2 ( ) lim 1 x n x X n x n c cP x x n n − → ⎛ ⎞⎛ ⎞ ⎛ ⎞= −⎜ ⎟⎜ ⎟ ⎜ ⎟ ⎝ ⎠ ⎝ ⎠⎝ ⎠ al desarrollar y simplificar queda finalmente el modelo de Poisson ( ) ( )lim ! ! x tx c X n x t ec eP x x x λλ −− → = = otra expresión equivalente y más conocida es ( ) 1, 2, 3, ... ! −= = = x XP X x e xx λ λ A continuación se explicará: El número e es 2.71828 y λ= n * p (es decir, el número de veces n que se realiza el experimento multiplicado por la probabilidad p de éxito en cada ensayo), x es el número de éxito cuya probabilidad se está calculando. Ejemplo 1: La probabilidad de tener un accidente de tráfico es de 0.02 cada vez que se viaja, si se realizan 300 viajes, ¿cual es la probabilidad de tener 3 accidentes? Ejemplo 2: La probabilidad de que un niño nazca pelirrojo es de 0.012. ¿Cuál es la probabilidad de que entre 800 recién nacidos haya 5 pelirrojos? Media y la varianza para la distribución de Poisson A partir de la función generadora de momentos ( ) ( ) ( ) ! −⎛ ⎞ = = = ⎜ ⎟ ⎝ ⎠ ∑ ∑i i i x X tX t xt X X X eM t E e e f x e x λ λ se obtiene ( )= =X E Xµ λ y ( ) ( ) ( ) 22 2X Var X E X E Xσ λ= = − = respectivamente. 3 Ejemplo: El número promedio de llamadas telefónicas que llegan al conmutador de una compañía entre las 10:00 y 12:00 del día, es de 2 llamadas por minuto. Si el conmutador tiene una capacidad para recibir 2 llamadas simultáneamente. a)¿Cuál es la probabilidad de que una persona llame y reciba la señal de ocupado? b) ¿En cuánto tiene que ampliarse la capacidad del conmutador de manera que la probabilidad de esperar la comunicación sea menor que 0.10? Distribución exponencial, su media y su variancia Se define un proceso estocástico como una función aleatoria del tiempo, un proceso estocástico en la teoría de líneas de espera no es otra cosa que un proceso de Poisson, el cual se define mediante la siguiente función de probabilidad. ( ) ( ) 1,2,3,..., 0 ! xte t P X x n x λ λ λ − = = ≥ La distribución exponencial es la distribución de Probabilidad del tiempo, espacio o distancia en la que ocurre el 1er evento. X = (tiempo, espacio o distancia) X es continua (Ya no buscamos una distribución de Probabilidad, sino la función de densidad de Probabilidad). Definición: la variable aleatoria continua X tiene una distribución exponencial con parámetro β si su función de densidad esta dada por: 4 ( ) 1 0 0 x e x f x otro caso β β −⎧ >⎪= ⎨ ⎪ ⎩ Una de las aplicaciones más comunes de esta distribución es la de determinar el número de unidades que llegan a una estación de servicio en un lapso de tiempo de longitud t, cuando a ella llegan a razón de λ unidades por longitud de tiempo en promedio. La distribución exponencial de parámetro λ se utiliza para determinar el tiempo que transcurre hasta que llega a la estación de servicio la primera unidad. Otra forma de obtener a la función de densidad de probabilidad para la distribución de Exponencial es: ( ) , 0 0 te t f x otro caso λλ λ−⎧ > = ⎨ ⎩ Su media ( ) 1X E Xµ λ= = , su variancia ( ) ( ) 2 22 2 1 X E X E Xσ λ ⎛ ⎞= − = ⎜ ⎟ ⎝ ⎠ y la desviación estándar 1Xσ λ = Para entender un poco más la distribución exponencial y su utilidad, es necesario tomar en cuenta que ésta distribución proviene de una distribución conocida como Gamma, ya que es un caso especial de esta. Ambas encuentran un gran número de aplicaciones, ya que juegan un papel importante problemas de confiabilidad y en la teoría de colas: La teoría de colas es el estudio matemático del comportamiento de líneas de espera. Esta se presenta, cuando los “clientes” llegan a un “lugar” demandando un servicio a un “servidor”, el cual tiene una cierta capacidad de atención. Si el servidor no está disponible inmediatamente y el cliente decide esperar, entonces se forma la línea de espera. 5 “No importa en qué cola se sitúe: La otra siempre avanzará más rápido” (Primera Ley de Harper) “Y si se cambia de cola, aquélla en la que estaba al principio empezará a ir más deprisa” (Segunda Ley de Harper) Ejemplo: Suponer que un sistema contiene cierto tipo de componente cuyo tiempo de operación antes del fallo, en años, esta dado por T. La variable aleatoria T se moldea bien mediante la distribución exponencial con tiempo medio de operación antes del fallo β=5. Si se instalan 5 de estos componentes en diferentes sistemas, ¿Cuál es la probabilidad de que al menos dos aún funcionen al final de 8 años?
Compartir