Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                
Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 127 vistas

    Clase 12

    Cargado por

    MatiasIgnacioGilbertOsses
    El documento describe la distribución de Poisson, una variable aleatoria discreta que puede modelar fenómenos de conteo como el número de autos que pasan por una esquina o partículas por centímetro cúbico. Explica que la distribución depende de un parámetro θ y tiene propiedades como E[X(t)]=θt y V[X(t)]=θt. También presenta ejemplos para ilustrar cómo calcular probabilidades usando esta distribución.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Clase 12

    Cargado por

    MatiasIgnacioGilbertOsses
    127 vistas3 páginas
    El documento describe la distribución de Poisson, una variable aleatoria discreta que puede modelar fenómenos de conteo como el número de autos que pasan por una esquina o partículas por centímetro cúbico. Explica que la distribución depende de un parámetro θ y tiene propiedades como E[X(t)]=θt y V[X(t)]=θt. También presenta ejemplos para ilustrar cómo calcular probabilidades usando esta distribución.

    Descripción original:

    Ronny Vallejos Mat043

    Título original

    Clase_12

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    El documento describe la distribución de Poisson, una variable aleatoria discreta que puede modelar fenómenos de conteo como el número de autos que pasan por una esquina o partículas por centímetro cúbico. Explica que la distribución depende de un parámetro θ y tiene propiedades como E[X(t)]=θt y V[X(t)]=θt. También presenta ejemplos para ilustrar cómo calcular probabilidades usando esta distribución.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    127 vistas3 páginas

    Clase 12

    Cargado por

    MatiasIgnacioGilbertOsses
    El documento describe la distribución de Poisson, una variable aleatoria discreta que puede modelar fenómenos de conteo como el número de autos que pasan por una esquina o partículas por centímetro cúbico. Explica que la distribución depende de un parámetro θ y tiene propiedades como E[X(t)]=θt y V[X(t)]=θt. También presenta ejemplos para ilustrar cómo calcular probabilidades usando esta distribución.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 3

    Universidad T

    ecnica Federico Santa Mara


    Departamento de Matematica

    Profesor: Ronny Vallejos

    Clase 12: Variables Aleatorias Discretas Especiales Cont.


    Distribuci
    on de Poisson
    La variable aleatoria Poisson permite modelar fenomenos que tienen que ver con la cantidad de
    autos que pasan por una esquina en un determinado tiempo o la cantidad de partculas que hay
    en un recipiente por centmetro c
    ubico, etc.
    Definici
    on 1. Una variable aleatoria se dice de conteo si X(t) representa el n
    umero total de
    eventos que ocurren hasta el tiempo t.
    Definici
    on 2. Una variable aleatoria discreta que depende del tiempo X(t) se dice que es una
    variable aleatoria de Poisson con parametro , > 0, si y solo si
    1. X(0) = 0.
    2. La cantidad de eventos que ocurren en cualquier intervalo de tiempo de longitud t tiene una
    funcion de densidad (cuanta) de la forma
    P[(X(t + s) X(s)) = n] =

    et (t)n
    , n N {0}.
    n!

    3. Los incrementos son independientes, es decir X(t + s) X(s) y X(s + t + l) X(s + t) son
    independientes para toso s, t, l N {0}.
    Note que si s = 0 entonces
    P[X(t) = n] =

    et (t)n
    , n N {0}.
    n!

    Ademas note que Rec(X(t)) = N {0}. La notacion que usaremos es la siguiente: X(t)
    P oisson(t).
    Teorema 1. Sea X(t) P oisson(t). Entonces
    1. E[X(t)] = t.
    2. V[X(t)] = t.
    Proof. 1.
    E[X(t)] =

    X
    net (t)n

    n!

    n=0

    = et

    X
    n=0

    n(t)n
    n!

    d
    = tet
    d(t)

    X
    (t)n
    n=0

    n!

    = t.
    2. Similarmente se prueba que E[X(t)2 ] = t + 2 t2 . Entonces V[X(t)] = t + 2 t2 2 t2 = t.
    MAT-043

    Noviembre 14, 2013

    Universidad T
    ecnica Federico Santa Mara
    Departamento de Matematica

    Profesor: Ronny Vallejos

    Ejemplo 1. Suponga que las llamadas que llegana a una central pueden modelarse por una variable
    aleatoria Poisson. Asuma que las llamadas tienen una tasa de llegada de 25 llamadas por hora.
    a. cual es la probabilidad que no se reciban llamadas entre las 9:99 am y las 9:06 am?
    Note que en promedio llegan t = 25 06 llamadas en 6 minutos. Entonces definimos la
    variable X(t) = cantidad de llamadas que llegan a la central en 6 minutos.
    X(t) P oisson(25 0.1).
    Nos piden
    P[X(t) = 0] =

    e250.1 (25 0.1)0


    = 0.08208.
    0!

    b. Cual es la probabilidad que lleguen mas de 225 llamadas durante un perodo de 8 horas?
    En este caso definimos una nueva variable aleatoria . Sea Y (t) =Cantidad de llamadas que
    se reciben en un perodo de 8 horas.
    Sabemos que
    E[Y ] = 25 8 = 200 = t.
    Luego
    P[Y (t) > 225] =

    X
    e200 200n
    .
    n!
    n=226

    Mas adelante veremos que esta probabilidad se puede aproximar por una distribucion normal.
    Ejemplo 2. Una empresa electronica observa que el n
    umero de componentes que fallan antes de
    cumplir 100 horas de funcionamiento es una variable aleatoria Poisson. Si el n
    umero promedio de
    estas fallas es 8,
    a. Cual es la probabilidad que falle un componente en 25 horas de funcionamiento?
    b. Cual es la probabilidad que fallen no mas de 2 componentes en 50 horas?
    c. Cual es la probabilidad que fallen por lo menos diez componentes en 125 horas?
    a. Sea X(t) = cantidad de componentes que fallan en 25 horas. Entonces t = 2 y
    X(t) P oisson(2).

    P[X(t) = 1] =

    2e2
    = 0.27067.
    1!

    b. Sea Y (t) =cantidad de componentes que fallan en 50 horas. Entonces t = 8 1/2 = 4 y


    tenemos que
    Y (t) P oisson(4).
    P[Y (t) 2] =

    2
    X
    4n e4
    n=0

    MAT-043

    n!

    = 0.2381.

    Noviembre 14, 2013

    Universidad T
    ecnica Federico Santa Mara
    Departamento de Matematica

    Profesor: Ronny Vallejos

    P
    n 10
    c. Sea Z(t) P oisson(t = 10). Entonces P[Z > 10] = 1P[Z 9] = 1 9n=0 (10)n!e . Esta
    u
    ltima probabilidad puede ser calculada usando una tabla para la distribucion de Poisson o
    mediante alguna aproximacion.
    Observaci
    on 1. La funcion de distribucion acumulada de la distribucion de Poisson no tiene
    forma explcita sencilla.
    Terminamos enunciando una relacion entre la probabilidad condicional de una distribucion de
    Poisson y la variable aleatoria binomial.
    Resultado. Sea X(t) P oisson(t). Entonces se tiene que
     
    n
    P[X(s) = k/X( ) = n] =
    (s/ )k (1 s/ )nk ,
    k
    o equivalentemente
    (X(s)/X( ) = n) bin(n, s/ ).

    MAT-043

    Noviembre 14, 2013

    También podría gustarte