Objetivo

Identificar los valores de la función de probabilidad bajo la fórmula de distribución de Poisson.

Descripcion

Identificar casos relacionados con variables discretas para elaborar mediante programación R y markdown las variables discretas, las funciones de probabilidad de cada variable, la función acumulada, su visualización gráfica para su correcta implementación asociado a distribuciones Poisson. Los casos son identificados de la literatura relacionada con variables aleatorias discretas y distribuciones binomiales. Se deben elaborar dos ejercicios en este caso 18 encontrados en la literatura.

1. Cargar librerías

library(ggplot2)
#source("../funciones/funciones.distribuciones.r")

# o

source("https://raw.githubusercontent.com/rpizarrog/probabilidad-y-estad-stica/master/funciones/funciones.distribuciones.r")

2.1. Ejercicio

Suponga que desea saber el número de llegadas, en un lapso de 15 minutos, a la rampa del cajero automático de un banco.(Anderson et al., 2008)

Si se puede suponer que la probabilidad de llegada de los automóviles es la misma en cualesquiera de dos lapsos de la misma duración y si la llegada o no–llegada de un automóvil en cualquier lapso es independiente de la llegada o no–llegada de un automóvil en cualquier otro lapso, se puede aplicar la función de probabilidad de Poisson.

Dichas condiciones se satisfacen y en un análisis de datos pasados encuentra que el número promedio de automóviles que llegan en un lapso de 15 minutos es igual a 10.

  1. Si la administración desea saber la probabilidad de que lleguen exactamente 5 automóviles en 15 minutos,x=5,y se obtiene:
prob <- round(f.prob.poisson(10, 5),4)

paste("La probabilidad de que sean exactamente 5 automóviles es de : ", prob)
## [1] "La probabilidad de que sean exactamente 5 automóviles es de :  0.0378"
prob2 <- round(dpois(x = 5, lambda = 10),4)
paste("La probabilida de que sean exactamente 5 automóviles es de : ", prob2)
## [1] "La probabilida de que sean exactamente 5 automóviles es de :  0.0378"
  1. Tabla de probabilidad y gráfica de la probabilidad de Poisson
datos <- data.frame(x=1:20, f.prob.x = round(dpois(x = 1:20, lambda = 10),4))

datos <- cbind(datos, f.acum.x = cumsum(datos$f.prob.x))

datos
##     x f.prob.x f.acum.x
## 1   1   0.0005   0.0005
## 2   2   0.0023   0.0028
## 3   3   0.0076   0.0104
## 4   4   0.0189   0.0293
## 5   5   0.0378   0.0671
## 6   6   0.0631   0.1302
## 7   7   0.0901   0.2203
## 8   8   0.1126   0.3329
## 9   9   0.1251   0.4580
## 10 10   0.1251   0.5831
## 11 11   0.1137   0.6968
## 12 12   0.0948   0.7916
## 13 13   0.0729   0.8645
## 14 14   0.0521   0.9166
## 15 15   0.0347   0.9513
## 16 16   0.0217   0.9730
## 17 17   0.0128   0.9858
## 18 18   0.0071   0.9929
## 19 19   0.0037   0.9966
## 20 20   0.0019   0.9985
datos <- data.frame(x=1:20, f.prob.x = round(dpois(x = 1:20, lambda = 10),4))

datos <- cbind(datos, f.acum.x = cumsum(datos$f.prob.x))

datos
##     x f.prob.x f.acum.x
## 1   1   0.0005   0.0005
## 2   2   0.0023   0.0028
## 3   3   0.0076   0.0104
## 4   4   0.0189   0.0293
## 5   5   0.0378   0.0671
## 6   6   0.0631   0.1302
## 7   7   0.0901   0.2203
## 8   8   0.1126   0.3329
## 9   9   0.1251   0.4580
## 10 10   0.1251   0.5831
## 11 11   0.1137   0.6968
## 12 12   0.0948   0.7916
## 13 13   0.0729   0.8645
## 14 14   0.0521   0.9166
## 15 15   0.0347   0.9513
## 16 16   0.0217   0.9730
## 17 17   0.0128   0.9858
## 18 18   0.0071   0.9929
## 19 19   0.0037   0.9966
## 20 20   0.0019   0.9985
ggplot(data = datos, aes(x,f.prob.x) ) +
  geom_point(colour = "red") +
  geom_line(colour = 'blue')

  1. ¿Cual es la probabilidad de que sea x menor o igual a diez?
datos$f.acum[10]
## [1] 0.5831
paste("La probabilidad de que el valor de x sea menor o igua a 10 es: ", datos$f.acum[10])
## [1] "La probabilidad de que el valor de x sea menor o igua a 10 es:  0.5831"
  1. Media diferente
prob <- round(dpois(x = 1, lambda = 2),4)

paste("La probabilidad cuando x = 1 y media igual a 2 es del:", prob * 100, "%")
## [1] "La probabilidad cuando x = 1 y media igual a 2 es del: 27.07 %"

  1. El valor de la esperanza media La esperanza es igual a: 10

  2. La varianza es 10 y la desviación estándard es: 3.1623

2.2. Ejercicio

En ciertas instalaciones industriales los accidentes ocurren con muy poca frecuencia. Se sabe que la probabilidad de un accidente en cualquier día dado es 0.005 y los accidentes son independientes entre sí (Walpole et al., 2012).

n <- 400
prob <- 0.005

media <- n * prob
  1. La tabla de distribución de probablidad de Poisson con media igual a 2
datos <- data.frame(x=0:10, f.prob.x = round(dpois(x = 0:10, lambda = media),4))

datos <- cbind(datos, f.acum.x = cumsum(datos$f.prob.x))

datos
##     x f.prob.x f.acum.x
## 1   0   0.1353   0.1353
## 2   1   0.2707   0.4060
## 3   2   0.2707   0.6767
## 4   3   0.1804   0.8571
## 5   4   0.0902   0.9473
## 6   5   0.0361   0.9834
## 7   6   0.0120   0.9954
## 8   7   0.0034   0.9988
## 9   8   0.0009   0.9997
## 10  9   0.0002   0.9999
## 11 10   0.0000   0.9999
ggplot(data = datos, aes(x,f.prob.x) ) +
  geom_point(colour = "red") +
  geom_line(colour = 'blue')

  1. ¿Cuál es la probabilidad de que en cualquier periodo dado de 400 días habrá un accidente en un día?
x <- 1
prob <- datos$f.prob.x[x+1]
paste("La probabiidad del valor de x=1 es: ", prob)
## [1] "La probabiidad del valor de x=1 es:  0.2707"
x <- 1
prob <- datos$f.prob.x[x+1]
paste("La probabiidad del valor de x=1 es: ", prob)
## [1] "La probabiidad del valor de x=1 es:  0.2707"
  1. ¿Cuál es la probabilidad de que haya a lo más tres días con un accidente?
x <- 3
prob <- datos$f.acum.x[x+1]
paste("La probabiidad del valor de x<=3 es: ", prob)
## [1] "La probabiidad del valor de x<=3 es:  0.8571"

3. Interpretacion

3.1. ¿Cuál es la variable aleatoria y su significado en el contexto? 1: es 10 y 5; 2: es 400. Una variable aleatoria es un número que representa un resultado de una circunstancia o un experimento aleatorio.

3.2. ¿Qué valores puede tomar la variable aleatoria? Puede tomar cualquier valor de un intervalo real.

3.3. ¿Cuál es el espacio muestral? 1: 10,5,4 2: 400, 0.005

3.4. ¿Cuántos elementos hay en espacio muestral (S)? 1: 1,2,3,4,5,6,7,8,9,10 2: o,1,2,3,4,5,6,7,8,9

3.5. ¿Cuántos casos hay de cada valor de cada variable aleatoria? 1: 20 2: 10

3.6. ¿Cuáles son las probabilidades más altas de cada variable aleatoria? 1: 10 2: 9

3.8. ¿Qué significado tiene el gráfico de barra? Las gráficas de barras se utilizan para comparar dos o más valores.

3.9. ¿Qué significado tiene el gráfico lineal acumulado? Se compone de una serie de datos representados por puntos, unidos por segmentos lineales.