1 Objetivo

Calcular probabilidades y probabilidades acumuladas bajo la fórmula de distribución de Poisson.

2 Descripción

Realizar distribuciones de probabilidad conforme a la distribución de probabilidad de Poisson a partir devalores iniciales dado en cada ejercicio.

Se generan las tablas de probabilidad conforme a distribución Poisson, se identifican los valores de probabilidad cuando la variable discreta x tenga algún exactamente algún valor, ≤ a algún valor o > o ≥, entre otros.

Se utilizan las funciones dpois() para la función de probabilidad o densidad y ppois() para la probabilidad acumulada.

También se utiliza la función f.prob.poisson() que ha sido programada con anticipación y calcula la probabilidad de un valor de variable aleatoria discreta. Esta función se encuentra en el enlace: https://github.com/rpizarrog/probabilidad-y-estad-stica/blob/master/funciones/funciones.distribuciones.r

3 Fundamento teórico

Otra variable aleatoria discreta que tiene numerosas aplicaciones prácticas es la variable aleatoria de Poisson. Su distribución de probabilidad da un buen modelo para datos que representa el número de sucesos de un evento especificado en una unidad determinada de tiempo o espacio (Mendenhall, Beaver, and Beaver 2010).

Los experimentos que dan valores numéricos de una variable aleatoria X, el número de resultados que ocurren durante un intervalo dado o en una región específica, se llaman experimentos de Poisson (Walpole, Myers, and Myers 2012)

Un proceso de Poisson es un experimento aleatorio donde se observa la aparición de un suceso concreto (éxito) sobre un soporte continuo (generalmente el tiempo). Además, debe cumplirse que los sucesos ocurren de forma independiente y con media estable (el número medio de sucesos por unidad de medida es constante).

Ejemplos interesantes de procesos de Poisson son: clientes que acuden a un mostrador por unidad de tiempo, llamadas por unidad de tiempo a una centralita, defectos por metro de cable, baches por kilómetro de autopista, entre otros.(Quintela 2019a).

Esta distribución, suele usarse para estimar el número de veces que sucede un hecho determinado (ocurrencias media) en un intervalo de tiempo o de espacio. Por ejemplo:

La variable de interés va desde el número de automóviles que llegan (llegadas) a un lavado de coches en una hora o,

El número de reparaciones necesarias en 10 kms. de una autopista o,

El número de fugas en 100 kms.de tubería, entre otros

Número de asistencia promedio de estudiantes en una clase virtual durante un mes (Anderson, Sweeney, and Williams 2008).

3.1 Fórmula

\[f(x) = \frac{{e^{ - \mu } \mu ^x }}{{x!}}\]

en donde:

  • f(x) es la función de probabilidad para valores discretos de x=0,1,2,3..,n.

  • ($$) es el valor medio esperado en cierto lapso de tiempo. Algunas veces expresado como λ

  • x es la variable aleatoria. Es una variable aleatoria discreta (x=0,1,2,…)

  • e valor constante, es la base de los logaritmos naturales 2.71728. Puede generarse por medio de exp(1).

Propiedades de un evento Poisson:

  • La probabilidad de ocurrencia es la misma para cualquiera de dos intervalos de la misma longitud.
  • La ocurrencia o no ocurrencia en cualquier intervalo es independiente de la ocurrencia o no ocurrencia en cualquier otro intervalo.

3.2 Esperanza, varianza y desviación estándard

Los valores de la esperanza (o media) y de la varianza para la distribución de Poisson son respectivamente:

El valor medio o esperanza: \[E(X) = \lambda\] La varianza: \[Var(X) = \sigma^{2} = \lambda\] La desviación: \[\sigma = \sqrt{Var(x)} = \sqrt{\sigma^{2}}\]

4 Desarrollo

El desarrollo de los ejercicios comienza con la carga de librerías luego una serie de ejercicios relacionados con la distribución de Poisson, de cada uno de ellos se muestra la tabla de probabilidad se calculan algunas de sus probabilidades y se determina la esperanza, la varianza y las desviaciones. Al final se busca la interpretación de cada ejercicio.

4.1 Cargar librerías

Para nuevas librerías se requiere instalar con anticipación, ejemplo, install.packages(“cowplot”).

library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(ggplot2)
## Warning: package 'ggplot2' was built under R version 4.0.5
library(mosaic) # Gráficos de distribuciones
## Warning: package 'mosaic' was built under R version 4.0.5
## Registered S3 method overwritten by 'mosaic':
##   method                           from   
##   fortify.SpatialPolygonsDataFrame ggplot2
## 
## The 'mosaic' package masks several functions from core packages in order to add 
## additional features.  The original behavior of these functions should not be affected by this.
## 
## Attaching package: 'mosaic'
## The following object is masked from 'package:Matrix':
## 
##     mean
## The following object is masked from 'package:ggplot2':
## 
##     stat
## The following objects are masked from 'package:dplyr':
## 
##     count, do, tally
## The following objects are masked from 'package:stats':
## 
##     binom.test, cor, cor.test, cov, fivenum, IQR, median, prop.test,
##     quantile, sd, t.test, var
## The following objects are masked from 'package:base':
## 
##     max, mean, min, prod, range, sample, sum
library(cowplot) #Imágenes en el mismo renglón
## Warning: package 'cowplot' was built under R version 4.0.5
## 
## Attaching package: 'cowplot'
## The following object is masked from 'package:mosaic':
## 
##     theme_map
options(scipen=999) # Notación normal

# options(scipen=1) # Notación científica

4.2 Cargar funciones

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

# o

source("https://raw.githubusercontent.com/rpizarrog/probabilidad-y-estad-stica/master/funciones/funciones.distribuciones.r")
## 
## Attaching package: 'gtools'
## The following object is masked from 'package:mosaic':
## 
##     logit

4.3 Ejercicios

Se describen ejercicios en donde se encuentra la función de distribución

  • Llegada de automóviles a rampa de un cajero

4.3.1 Llegadas de automóviles a rampa de un cajero

Suponga que desea saber el número de llegadas, en un lapso de 15 minutos, a la rampa del cajero automático de un banco.(anderson_estadistica_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;

Aquí la variable aleatoria es x número de automóviles que llegan en un lapso de 15 minutos.

4.3.1.1 Tabla de probabilidad

Valores iniciales

x <- 0:30 # Valores de variables aleatorias
media <- 10 # Llegada de automóviles

Se construye la tabla con la función cargada del enlace: https://github.com/rpizarrog/probabilidad-y-estad-stica/blob/master/funciones/funciones.distribuciones.r

tabla1 <- data.frame(x=x, f.prob.x = f.prob.poisson(media, x))

tabla1 <- cbind(tabla1, f.acum.x = cumsum(tabla1$f.prob.x))

tabla1
##     x        f.prob.x      f.acum.x
## 1   0 0.0000453999298 0.00004539993
## 2   1 0.0004539992976 0.00049939923
## 3   2 0.0022699964881 0.00276939572
## 4   3 0.0075666549604 0.01033605068
## 5   4 0.0189166374010 0.02925268808
## 6   5 0.0378332748021 0.06708596288
## 7   6 0.0630554580035 0.13014142088
## 8   7 0.0900792257192 0.22022064660
## 9   8 0.1125990321490 0.33281967875
## 10  9 0.1251100357211 0.45792971447
## 11 10 0.1251100357211 0.58303975019
## 12 11 0.1137363961101 0.69677614630
## 13 12 0.0947803300918 0.79155647639
## 14 13 0.0729079462244 0.86446442262
## 15 14 0.0520771044460 0.91654152707
## 16 15 0.0347180696307 0.95125959670
## 17 16 0.0216987935192 0.97295839022
## 18 17 0.0127639961878 0.98572238640
## 19 18 0.0070911089932 0.99281349540
## 20 19 0.0037321626280 0.99654565802
## 21 20 0.0018660813140 0.99841173934
## 22 21 0.0008886101495 0.99930034949
## 23 22 0.0004039137043 0.99970426319
## 24 23 0.0001756146541 0.99987987785
## 25 24 0.0000731727725 0.99995305062
## 26 25 0.0000292691090 0.99998231973
## 27 26 0.0000112573496 0.99999357708
## 28 27 0.0000041693887 0.99999774647
## 29 28 0.0000014890674 0.99999923553
## 30 29 0.0000005134715 0.99999974900
## 31 30 0.0000001711572 0.99999992016

Se construye la tabla2 con las funciones dpois() y ppois() , los valores deben ser los mismos que la tabla1.

tabla2 <- data.frame(x=x, f.prob.x = dpois(x = x, lambda = media))

tabla2 <- cbind(tabla2, f.acum.x = ppois(q = x, lambda = media))

tabla2
##     x        f.prob.x      f.acum.x
## 1   0 0.0000453999298 0.00004539993
## 2   1 0.0004539992976 0.00049939923
## 3   2 0.0022699964881 0.00276939572
## 4   3 0.0075666549604 0.01033605068
## 5   4 0.0189166374010 0.02925268808
## 6   5 0.0378332748021 0.06708596288
## 7   6 0.0630554580035 0.13014142088
## 8   7 0.0900792257192 0.22022064660
## 9   8 0.1125990321490 0.33281967875
## 10  9 0.1251100357211 0.45792971447
## 11 10 0.1251100357211 0.58303975019
## 12 11 0.1137363961101 0.69677614630
## 13 12 0.0947803300918 0.79155647639
## 14 13 0.0729079462244 0.86446442262
## 15 14 0.0520771044460 0.91654152707
## 16 15 0.0347180696307 0.95125959670
## 17 16 0.0216987935192 0.97295839022
## 18 17 0.0127639961878 0.98572238640
## 19 18 0.0070911089932 0.99281349540
## 20 19 0.0037321626280 0.99654565802
## 21 20 0.0018660813140 0.99841173934
## 22 21 0.0008886101495 0.99930034949
## 23 22 0.0004039137043 0.99970426319
## 24 23 0.0001756146541 0.99987987785
## 25 24 0.0000731727725 0.99995305062
## 26 25 0.0000292691090 0.99998231973
## 27 26 0.0000112573496 0.99999357708
## 28 27 0.0000041693887 0.99999774647
## 29 28 0.0000014890674 0.99999923553
## 30 29 0.0000005134715 0.99999974900
## 31 30 0.0000001711572 0.99999992016

4.3.1.2 Gráfica de probabilidad

Con la función ggplot() se hace la curva de la distribución, en rojo los puntos y en azul la curva o linea con cualquiera de las dos tablas, tabla1 o tabla2.

En g1 se construye la gráfica de densidad P(x) y en g2 se construye la gráfica de a probabilidad acumulada F(x). Las dos gráficas se construyen.

g1 <- ggplot(data = tabla2, aes(x,f.prob.x) ) +
  geom_point(colour = "red") +
  geom_line(colour = 'blue') +
  ggtitle("Función de densidad P(x)")
#g1

g2 <- ggplot(data = tabla2, aes(x,f.acum.x) ) +
  geom_point(colour = "red") +
  geom_line(colour = 'blue') +
  ggtitle("Función acumulada F(x)")
#g2

plot_grid(g1, g2)

4.3.1.3 Probabilidad de que lleguen cinco

Si la administración desea saber la probabilidad de que lleguen exactamente 5 automóviles en 15 minutos, P(x=5).

Utlizando la función f.prob.poisson() creada que se encuentra en el enlace https://raw.githubusercontent.com/rpizarrog/probabilidad-y-estad-stica/master/funciones/funciones.distribuciones.r y calcula la función de probabilidad conforme a la fórmula.

x <- 5

prob <- round(f.prob.poisson(media, x),8)

paste("La probabilidad de que sean exactamente 5 automóviles es de : ", prob)
## [1] "La probabilidad de que sean exactamente 5 automóviles es de :  0.03783327"
  • Utilizando la función dpois() del paquete base de R
prob2 <- round(dpois(x = x, lambda = media),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"

4.3.1.4 Probabilidad de que sea x menor o igual a diez

\(P(x≤10)=P(x=0)+P(x=1)+P(x=2)+P(x=3)+...+P(x=10)\) o la probabilidad acumulada hasta 10 \(F(x=10)\)

tabla1$f.acum[10+1]
## [1] 0.5830398
paste("La probabilidad de que el valor de x sea menor o igual a 10 es: ", tabla1$f.acum[10+1], " o ", round(tabla1$f.acum[10+1] * 100,4), "%" )
## [1] "La probabilidad de que el valor de x sea menor o igual a 10 es:  0.583039750192986  o  58.304 %"

Con ppois() que determina el valor acumulado

ppois(q = 10, lambda = media)
## [1] 0.5830398

con la función sum() y dpois()

sum(dpois(x = 0:10, lambda = media))
## [1] 0.5830398

4.3.1.5 Probabilidad con media diferente

En el ejemplo anterior se usó un lapso de 15 minutos, pero también se usan otros lapsos. Suponga que desea calcular la probabilidad de una llegada en un lapso de 3 minutos.

Regla de tres: \[10=15\] $\[$?=3\]

media <- (3 * 10) / 15
media
## [1] 2

Entonces, la probabilidad de \(x\) llegadas en un lapso de 3 minutos tiene una media μ=2 está dada por la siguiente nueva función de probabilidad de Poisson.

$\[f(x) = \frac{{e^{ - 2} 2^x }}{{x!}}\] Entonces nueva probabilidad para cuando \(x=5\)

prob <- round(dpois(x = 5, lambda = 2),4)

paste("La probabilidad cuando x = 5 y media igual a 2 es del:", prob * 100, "%")
## [1] "La probabilidad cuando x = 5 y media igual a 2 es del: 3.61 %"

4.3.1.6 Valor esperado

La esperanza o valor esperado es igual a: 10 dado los valores iniciales del ejercicio

4.3.1.7 Varianza y desviación

La varianza es 10 y la desviación estándard es: 3.1623

4.3.1.8 Interpretación

\(Respuesta:\) Cuando nuestra media es menor y nuestro lapso de timpo disminuye, las probabilidades de que la llegada a la rampa del cajero automatico aumentan, es decir que si se modifica lo que es el timpo o lapso tambien se vera afectado la media para poder calcular la probabilidad de llegada que los autos en este caso si se compara el lapso de 10 con el de 3 min hay una gran diferencia en sus probabilidades donde el de 3 es de 3.61 y el de 10 es de .037 todos con la misma variable que es de 5 autos en cada lapso de tiempo.

4.3.2 Accidentes en industria

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_probabilidad_2012?).

La variable media es el números de accidentes promedio por dia. x será los valores de la variable aleatoria.

4.3.2.1 Tabla de distribución

Valores iniciales

n <- 365 # Dias del año
prob <- 0.005

media <- n * prob   # media al año
media <- round(media, 0)
media
## [1] 2

La media es 2

La variable aleatoria son los dias desde x=1…hasta x=n

La tabla de distribución de probablidad de Poisson con media igual a 2 usando dpois() y cumsum()

tabla <- data.frame(x=x, f.prob.x = round(dpois(x = x, lambda = media),4))

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

tabla
##   x f.prob.x f.acum.x
## 1 5   0.0361   0.0361

4.3.2.2 Gráfica de probabilidad

Se construyen tanto la gráfica de densidad (lado izquierdo) como la gráfica de función acumulada (lado derecho).

g1 <- ggplot(data = tabla, aes(x,f.prob.x) ) +
  geom_point(colour = "red") +
  geom_line(colour = 'blue') +
  ggtitle("Función de densidad P(x)")
#g1

g2 <- ggplot(data = tabla, aes(x,f.acum.x) ) +
  geom_point(colour = "red") +
  geom_line(colour = 'blue') +
  ggtitle("Función acumulada F(x)")
#g2

plot_grid(g1, g2)
## geom_path: Each group consists of only one observation. Do you need to adjust
## the group aesthetic?
## geom_path: Each group consists of only one observation. Do you need to adjust
## the group aesthetic?

4.3.2.3 Probabilidad de un accidente al dia

¿Cuál es la probabilidad de que en cualquier periodo dado habrá un accidente en un día?

  • \(P(x=1)\)
  • Recorddar que el índice de la tabla empieza en el valor cero de tal forma que se necesita el siguiente valor x+1 en la tabla:
x <- 1
prob <- tabla$f.prob.x[x+1]
paste("La probabiidad del valor de x=1 es: ", prob)
## [1] "La probabiidad del valor de x=1 es:  NA"

o mediante la función dpois() y

dpois(x = 1, lambda = media)
## [1] 0.2706706

4.3.2.4 Probabilidad de tres o menos

¿Cuál es la probabilidad de que haya a lo más tres días con un accidente?

  • El indice en la taba comienza en cero
x <- 3
prob <- tabla$f.acum.x[x+1]
paste("La probabiidad del valor de x<=3 es: ", prob)
## [1] "La probabiidad del valor de x<=3 es:  NA"

Función acumulada \(F(x=3)\) o lo que es lo mismo \(P(x=0)+P(x=1)+P(x=2)+P(x=3)\)

ppois(q = 3, lambda = media)
## [1] 0.8571235

4.3.2.5 Interpretación

\(Respuesta:\)En este caso nos dice que las probabilidades de que ocurran accidentes son muy bajas de 0.005, sacamos la media que es igual a 2, estonces esto nos dice junto con la tablas que es mas propenso que entre los primeros 4 dias contando el cero sean los accidentes con .8571235 de probabilidad y que en un dia ocurra un solo accidente sea de .2706706.

4.3.3 Fabricante de automóviles

Un fabricante de automóviles se preocupa por una falla en el mecanismo de freno de un modelo específico. La falla puede causar en raras ocasiones una catástrofe a alta velocidad. Suponga que la distribución del número de automóviles por año que experimentará la falla es una variable aleatoria de Poisson con λ=5 (walpole_probabilidad_2012?).

4.3.3.1 La tabla de distribución cuando media igual a 5

Se construye la tabla de distribución de veinte valores en variable aleatoria y media igual a cinco.

x <- 0:20
media <- 5

tabla <- data.frame(x=x, f.prob.x = round(dpois(x = x, lambda = media),8), f.acum.x = round(ppois(q = x, lambda = media), 8))

tabla
##     x   f.prob.x   f.acum.x
## 1   0 0.00673795 0.00673795
## 2   1 0.03368973 0.04042768
## 3   2 0.08422434 0.12465202
## 4   3 0.14037390 0.26502592
## 5   4 0.17546737 0.44049329
## 6   5 0.17546737 0.61596065
## 7   6 0.14622281 0.76218346
## 8   7 0.10444486 0.86662833
## 9   8 0.06527804 0.93190637
## 10  9 0.03626558 0.96817194
## 11 10 0.01813279 0.98630473
## 12 11 0.00824218 0.99454691
## 13 12 0.00343424 0.99798115
## 14 13 0.00132086 0.99930201
## 15 14 0.00047174 0.99977375
## 16 15 0.00015725 0.99993099
## 17 16 0.00004914 0.99998013
## 18 17 0.00001445 0.99999458
## 19 18 0.00000401 0.99999860
## 20 19 0.00000106 0.99999965
## 21 20 0.00000026 0.99999992

4.3.3.2 Gráfica de probabilidades

Se visualizan la gráficas

g1 <- ggplot(data = tabla, aes(x,f.prob.x) ) +
  geom_point(colour = "red") +
  geom_line(colour = 'blue') +
  ggtitle("Función de densidad P(x)")
#g1

g2 <- ggplot(data = tabla, aes(x,f.acum.x) ) +
  geom_point(colour = "red") +
  geom_line(colour = 'blue') +
  ggtitle("Función acumulada F(x)")
#g2

plot_grid(g1, g2)

4.3.3.3 Probabilidad a lo mas tres

¿Cuál es la probabilidad de que, a lo más, 3 automóviles por año sufran una catástrofe?

\[P(X≤3)\]

\[P(X=0)+P(X=1)+P(X=2)+P(X=3)\]

x <- 3
prob <- tabla$f.acum.x[x+1]
paste("La probabiidad del valor de x<=3 es: ", round(prob * 100,4), "%")
## [1] "La probabiidad del valor de x<=3 es:  26.5026 %"

o por medio de la función ppois()

ppois(q = 3, lambda = media)
## [1] 0.2650259

4.3.3.4 Probabilidad de mas de uno

¿Cuál es la probabilidad de que más de 1 automóvil por año experimente una catástrofe?

\[1−F(X≤1)\] \[1−(P(X=0)+P(x=1))\]

x <- 1
prob <- 1 - tabla$f.acum.x[x+1]

paste("La probabiidad del valor de x>1 es: ", round(prob * 100,4), "%")
## [1] "La probabiidad del valor de x>1 es:  95.9572 %"

o bie con la función ppois() y la opción lower.tail = FALSE

ppois(q = x, lambda = media, lower.tail = FALSE)
## [1] 0.9595723

4.3.3.5 Interpretación

\(Respusta:\)Aqui se comparan que es mas propenso que pase cuando un automobil tenga un accidente por falla de en los frenos, donde la media es de 5 y nuestra variable aleatoria ronda entre 0:20, nos dice que es mas probable que ocurran mas de 1 accidete que un solo numero de accidetes especificos, en este caso comparado con 3 accidente donde se tien con la probabilidad de 26.506% y que ocurran mas de 1 con una probabilidad de 95.9572%.

4.3.4 Crucero peligroso

Supóngase que se está investigando la seguridad de un crucero muy peligroso. Los archivos de la policía indican una media de cinco λ=5 accidentes por mes en el crucero.

El número de accidentes está distribuido conforme a la distribución de Poisson, y la división de seguridad en carreteras quiere calcular la probabilidad de exactamente 0,1,2,3 y 4 accidentes en un mes determinado (gestiopolis, n.d.).

4.3.4.1 Tabla de probabilidad

Valores iniciales

x <- 0:10
media <- 5

Construyendo los valores de la tabla de distribución \(P(x=0,1,2…10)\). Para responder a la pregunta del ejercicio, solo interesan solo los valores \(P(0), P(1), P(2), P(3), P(4)\)

tabla <- data.frame(x = x, f.prob.x = dpois(x = x, lambda = media), f.acum.x = ppois(q = x, lambda = media))
tabla
##     x    f.prob.x    f.acum.x
## 1   0 0.006737947 0.006737947
## 2   1 0.033689735 0.040427682
## 3   2 0.084224337 0.124652019
## 4   3 0.140373896 0.265025915
## 5   4 0.175467370 0.440493285
## 6   5 0.175467370 0.615960655
## 7   6 0.146222808 0.762183463
## 8   7 0.104444863 0.866628326
## 9   8 0.065278039 0.931906365
## 10  9 0.036265577 0.968171943
## 11 10 0.018132789 0.986304731

4.3.4.2 Gráfica de probabilidad

Se construyen las gráficas de densidad o valores de probabilidad de cada variable aleatoria discreta y la función de la probabilidad acumulada respectivamente

g1 <- ggplot(data = tabla, aes(x,f.prob.x) ) +
  geom_point(colour = "red") +
  geom_line(colour = 'blue') +
  ggtitle("Función de densidad P(x)")
#g1

g2 <- ggplot(data = tabla, aes(x,f.acum.x) ) +
  geom_point(colour = "red") +
  geom_line(colour = 'blue') +
  ggtitle("Función acumulada F(x)")
#g2

plot_grid(g1, g2)

4.3.4.3 Interpretación

\(Respuesta:\)Nos indica cuales son las probabilidades de que ocurran accidentes entre 0,1,2,3,4 en el mes lo que nos dice que los accidetes mas propensos a ocurrir al mes son de 4 con la probabilidad de 0.175467370 y la mas baja es de 0 con la probabilidad de 0.006737947.

4.3.5 Accidentes de cazadores

Supóngase que en un hotel donde descansan sufridos cazadores de elefantes ocurren de manera aleatoria e independiente dos accidentes de caídas con rompimiento de cadera por semana. Determinar la probabilidad de que ocurra un accidente en una semana (Quintela 2019b).\(λ=2\) se necesita calcular \(P(x=1)\)

paste("La probabilidad de ocurra un accidente en una semana es : ", dpois(x = 1, lambda = 2) ," o ", round(dpois(x = 1, lambda = 2) * 100, 2), "%")
## [1] "La probabilidad de ocurra un accidente en una semana es :  0.270670566473225  o  27.07 %"

4.3.5.1 Interpretación

\(Respuesta:\)Nos dice que la probabilidad de que ocurran accidentes independientes rompedores de caderas es de 0.270670566473225 o 27.07 %, ya que nos dan que la media es de 2 que equivale a los accidentes que ocurren y x que nos hace referencia a una semana que en el lapso donde ocurrenlos accidentes, si el lapso aumentara tambien lo haria nuestra media dandonos mas probabilidades de accidentes y igual si aumneta nuestra media.

Referencias Bibliográficas

Anderson, David R., Dennis J. Sweeney, and Thomas A. Williams. 2008. Estadística Para Administración y Economía. 10th ed. Australia Brasil Corea España Estados Unidos Japón México Reino Unido Singapur: Cengage Learning,. gestiopolis. n.d. “¿Qué Es La Distribución de Poisson?” https://www.gestiopolis.com/que-es-la-distribucion-de-poisson/. Mendenhall, William, Robert J. Beaver, and Barbara M. Beaver. 2010. Introducción a La Probabilidad y Estadística. 13th ed. Cengage Learning Editores, S.A. de C.V.,. Quintela, Alejandro. 2019a. Estadística básica Edulcorada. https://bookdown.org/aquintela/EBE/. ———. 2019b. Estadística básica Edulcorada. https://bookdown.org/aquintela/EBE/. Walpole, Ronald E., Raymond H. Myers, and Sharon L. Myers. 2012. Probabilidad y Estadística Para Ingeniería y Ciencias. Novena Edición. México: Pearson.