1 Objetivo

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

2 Descripción

Realizar distribuciones de probabilidad conforme a la distribución de probabilidad de Poisson a partir del valor medio dado en ejercicios.

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

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 2006).

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)

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

3.1 Fórmula

f(x)=e−μ⋅μxx!

en donde:

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

  • μ 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.

Propiedades de un evento Poisson:

  • La probabilidad de ocurrencia es la misma para cualquiera de dos intérvalos 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 de la siguiente manera:

3.2.1 El valor medio o esperanza E(X)=λ

3.2.2 La varianza Var(X)=σ2=λ

3.2.3 La desviación σ=Var(x)=σ2

4 Desarrollo

4.1 Cargar librerías

library(ggplot2)

4.2 Cargar funciones

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

# o

source("https://raw.githubusercontent.com/rpizarrog/Trabajos-en-R-AD2021/main/funciones/funciones.para.distribuciones.r")

4.3 Ejercicios

Se describen ejercicios en donde se encuentra la función de distribución

4.3.1 Llegadas a cajero automático

Suponga que desea saber el número de llegadas, en un lapso de 15 minutos, a la rampa del cajero automático de un banco.(Anderson, Sweeney, and Williams 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 Probabilidad de que lleguen exactamente 5 automóviles en 15 minutos

Si la administración desea saber la probabilidad de que lleguen exactamente 5 automóviles en 15 minutos, x=5,y se obtiene:

Inicializando variables y valores

media <- 10
x <- 5

Utilizando la función creada conforme a la fórmula

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

Utilizando la función dpois()

prob2 <- round(dpois(x = 5, 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"

4.3.1.2 Tabla de probabilidad y gráfica de la probabilidad de Poisson

options(scipen=999) # Notación normal 

tabla <- data.frame(x=0:25, f.prob.x = round(dpois(x = 0:25, lambda = media),4))

tabla <- cbind(tabla, f.acum.x = ppois(q=0:25, lambda = media))

tabla
##     x f.prob.x      f.acum.x
## 1   0   0.0000 0.00004539993
## 2   1   0.0005 0.00049939923
## 3   2   0.0023 0.00276939572
## 4   3   0.0076 0.01033605068
## 5   4   0.0189 0.02925268808
## 6   5   0.0378 0.06708596288
## 7   6   0.0631 0.13014142088
## 8   7   0.0901 0.22022064660
## 9   8   0.1126 0.33281967875
## 10  9   0.1251 0.45792971447
## 11 10   0.1251 0.58303975019
## 12 11   0.1137 0.69677614630
## 13 12   0.0948 0.79155647639
## 14 13   0.0729 0.86446442262
## 15 14   0.0521 0.91654152707
## 16 15   0.0347 0.95125959670
## 17 16   0.0217 0.97295839022
## 18 17   0.0128 0.98572238640
## 19 18   0.0071 0.99281349540
## 20 19   0.0037 0.99654565802
## 21 20   0.0019 0.99841173934
## 22 21   0.0009 0.99930034949
## 23 22   0.0004 0.99970426319
## 24 23   0.0002 0.99987987785
## 25 24   0.0001 0.99995305062
## 26 25   0.0000 0.99998231973

4.3.1.3 Visualizando probabilidad de Poisson

ggplot(data = tabla, aes(x,f.prob.x) ) +
  geom_point(colour = "red") +
  geom_line(colour = 'blue')

4.3.1.4 ¿Cual es la probabilidad de que X sea menor o igual a diez?

P(x≤10)=P(x=0)+P(x=1)+P(x=2)+P(x=3)+…+P(x=10)

i <- 10
tabla$f.acum[i + 1]
## [1] 0.5830398
paste("La probabilidad de que el valor de x sea menor o igua a 10 es: ", tabla$f.acum[i + 1])
## [1] "La probabilidad de que el valor de x sea menor o igua a 10 es:  0.583039750192985"

4.3.1.5 Usando ppois()

ppois() determina la probabilidad acumulada de una distribución Poisson.

prob <- round(ppois(q = 10, lambda = media), 4)
paste("La probabilidad de que el valor de x sea menor o igua a 10 es: ", prob)
## [1] "La probabilidad de que el valor de x sea menor o igua a 10 es:  0.583"

4.3.1.6 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

Entonces, la probabilidad de x=4 llegadas en un lapso de 3 minutos con μ=2 está dada por la siguiente nueva función de probabilidad de Poisson.

μ=2

f(x)=e−μ⋅μxx!

Entonces ….

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

paste("La probabilidad cuando x = 4 y media igual a 2 es del:", prob * 100, "%")
## [1] "La probabilidad cuando x = 4 y media igual a 2 es del: 9.02 %"

4.3.1.7 El valor de la esperanza media

Regresando a la media μ=10 o λ=10 , entonces la esperanza media es igual a: 10

4.3.1.8 La varianza

La varianza es igual a 10

4.3.1.9 La desviación estándar

La raiz cuadrada de √10

sqrt(media)
## [1] 1.414214

4.3.1.10 Interpretación

en este caso se nos pide que calculemos el promedio de que llegen cierta cantidad de autos en un lapso de tiempo en este caso se nos dice que el rango de teimpo es de 15 minutos y se pide que sean exactamente 5 vehiculos, dandonos como resultado 0.0378 y se nos proponen otros casos, esto nos ayuda a tener un cierto control y prediccion para estar preparados con cada uno de los casos

4.3.2 Instalaciones industriales

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, Myers, and Myers 2012).

¿Cuál es la probabilidad de que en cualquier periodo dado de 400 días habrá un accidente en un día?
Se multiplica la cantidad la de dias por su probabilidad para encontrar la media. Esta media será el parámetro para la distribución Poisson.

n <- 400
prob <- 0.005

media <- n * prob
media
## [1] 2

La variable aleatoria son los días desde x=0…hasta x=n

4.3.2.1 La tabla de distribución de probabilidad de Poisson

tabla <- data.frame(x=0:10, f.prob.x = round(dpois(x = 0:10, lambda = media),4))

tabla <- cbind(tabla, f.acum.x = ppois(q = 0:10, lambda = media))

tabla
##     x f.prob.x  f.acum.x
## 1   0   0.1353 0.1353353
## 2   1   0.2707 0.4060058
## 3   2   0.2707 0.6766764
## 4   3   0.1804 0.8571235
## 5   4   0.0902 0.9473470
## 6   5   0.0361 0.9834364
## 7   6   0.0120 0.9954662
## 8   7   0.0034 0.9989033
## 9   8   0.0009 0.9997626
## 10  9   0.0002 0.9999535
## 11 10   0.0000 0.9999917

4.3.2.2 Visualización de Poisson

ggplot(data = tabla, aes(x,f.prob.x) ) +
  geom_point(colour = "red") +
  geom_line(colour = 'blue')

4.3.2.3 ¿Cuál es la probabilidad de que en cualquier periodo dado de 400 días habrá un accidente en un día?

P(x=1)

Recordar 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:

i <- 1
prob <- tabla$f.prob.x[i+1]
paste("La probabilidad del valor de x=1 es: ", prob)
## [1] "La probabilidad del valor de x=1 es:  0.2707"
paste("La probabilidad del valor de x=1 es: ", round(dpois(x = 1, lambda = media), 4))
## [1] "La probabilidad del valor de x=1 es:  0.2707"

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

  • El indice en la taba comienza en cero
i <- 3
prob <- round(tabla$f.acum.x[i+1],4)
paste("La probabilidad del valor de x<=3 es: ", prob)
## [1] "La probabilidad del valor de x<=3 es:  0.8571"
paste("La probabilidad acumlada del valor de x<=3 es: ", round(ppois(q = 3, lambda = media, lower.tail = TRUE), 4))
## [1] "La probabilidad acumlada del valor de x<=3 es:  0.8571"

4.3.3.1 Interpretación

en este caso se nos da un escenario donde no indican la frecuencia pasan accidentes en instalaciones industriales, al igual que en ejercicio pasado nos ayuda a estar preparados para pago de seguros incapacidad. se nos pide calcular la probabilidad de que ocurra un accidente dentro de un periodo de 400 dias dandonos de resltado que la probabilidad de que ocurra un accidnte dentro del periodo indicado es 0.2707, y tambien se nos pide calcular la probabilidad de que haya 3 dias maximo con un acciodente dando como resultado 0.8571

4.3.4 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, Myers, and Myers 2012).

4.3.4.1 La tabla de distribución cuando media igual a 5

media <- 5

tabla <- data.frame(x=0:20, f.prob.x = round(dpois(x = 0:20, lambda = media),8))

tabla <- cbind(tabla, f.acum.x = ppois(q = 0:20, lambda = media))

tabla
##     x   f.prob.x    f.acum.x
## 1   0 0.00673795 0.006737947
## 2   1 0.03368973 0.040427682
## 3   2 0.08422434 0.124652019
## 4   3 0.14037390 0.265025915
## 5   4 0.17546737 0.440493285
## 6   5 0.17546737 0.615960655
## 7   6 0.14622281 0.762183463
## 8   7 0.10444486 0.866628326
## 9   8 0.06527804 0.931906365
## 10  9 0.03626558 0.968171943
## 11 10 0.01813279 0.986304731
## 12 11 0.00824218 0.994546908
## 13 12 0.00343424 0.997981148
## 14 13 0.00132086 0.999302010
## 15 14 0.00047174 0.999773746
## 16 15 0.00015725 0.999930992
## 17 16 0.00004914 0.999980131
## 18 17 0.00001445 0.999994584
## 19 18 0.00000401 0.999998598
## 20 19 0.00000106 0.999999655
## 21 20 0.00000026 0.999999919

4.3.4.2 Visualización de Poisson

ggplot(data = tabla, aes(x,f.prob.x) ) +
  geom_point(colour = "red") +
  geom_line(colour = 'blue')

4.3.4.3 ¿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)

i <- 3
prob <- tabla$f.acum.x[i+1]
paste("La probabilidad del valor de x<=3 es: ", round(prob * 100,4), "%")
## [1] "La probabilidad del valor de x<=3 es:  26.5026 %"
paste("La probabilidad del valor de x<=3 es: ", round(ppois(q = 3, lambda = media),4) * 100, "%")
## [1] "La probabilidad del valor de x<=3 es:  26.5 %"

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

1−P(X≤1)

1−(P(X=0)+P(x=1))

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

paste("La probabilidad del valor de x>1 es: ", round(prob * 100,4), "%")
## [1] "La probabilidad del valor de x>1 es:  95.9572 %"
prob <- ppois(q = 1, lambda = media, lower.tail = FALSE)
paste("La probabilidad del valor de x>1 es: ", round(prob * 100,4), "%")
## [1] "La probabilidad del valor de x>1 es:  95.9572 %"

4.3.4.5 Interpretación

aqui se nos muestra un escenario donde un fabricante de autos se preocupa por las fallas en el mecanismo de los frenos de un modelo en espeifico, se nos dice que las fallas seran una variable aleatoria, en el primer ejercicio se nos indica que calculemos la probabilidad de que almenos 3 vehiculos sufran una falla en 1 año dando como resultado un 26.5026%, tambien se nos pide que calculemos la probabilidad de que mas de 1 auto sufra una falla dando un 95.9572%

4.3.5 Declaración de impuestos

Suponga que, en promedio, 1 persona en 1000
comete un error numérico al preparar su declaración de impuestos. Si se seleccionan 10,000 formas al azar y se examinan, encuentre la probabilidad de que 6,7 u 8 de las formas contengan un error.(Walpole et al. 2007). Ejercicio 5.65, Pág. 165.

P(x=6:8)=P(x=6)+P(x=7)+P(x=8)

4.3.5.1 Valores iniciales

prob <- 1 / 1000
media <- prob * 10000

4.3.5.2 Tabla de distriución

tabla <- data.frame(x=0:20, f.prob.x = round(dpois(x = 0:20, lambda = media),8), f.acum.x = round(ppois(q = 0:20, lambda = media),8))

tabla
##     x   f.prob.x   f.acum.x
## 1   0 0.00004540 0.00004540
## 2   1 0.00045400 0.00049940
## 3   2 0.00227000 0.00276940
## 4   3 0.00756665 0.01033605
## 5   4 0.01891664 0.02925269
## 6   5 0.03783327 0.06708596
## 7   6 0.06305546 0.13014142
## 8   7 0.09007923 0.22022065
## 9   8 0.11259903 0.33281968
## 10  9 0.12511004 0.45792971
## 11 10 0.12511004 0.58303975
## 12 11 0.11373640 0.69677615
## 13 12 0.09478033 0.79155648
## 14 13 0.07290795 0.86446442
## 15 14 0.05207710 0.91654153
## 16 15 0.03471807 0.95125960
## 17 16 0.02169879 0.97295839
## 18 17 0.01276400 0.98572239
## 19 18 0.00709111 0.99281350
## 20 19 0.00373216 0.99654566
## 21 20 0.00186608 0.99841174

4.3.5.3 Usando dpois()

P(x de 6 a 8)=P(x=6)+P(x=7)+P(x=8)

Se suman las probabilidades

paste(round(dpois(x = 6, lambda = media),4), "+", round(dpois(x = 7, lambda = media),4), "+"
, round(dpois(x = 8, lambda = media),4))
## [1] "0.0631 + 0.0901 + 0.1126"
prob <- sum(dpois(x = 6:8, lambda = media))

paste("La probabilidad del valor de x de 6 a 8 es: ", round((prob * 100),4), "%")
## [1] "La probabilidad del valor de x de 6 a 8 es:  26.5734 %"

4.3.5.4 Interpretación

en este ejercicio se nos da informacion sobre que 1 de cada 1000 personas comete errores a la hora de declarar impuestos se nos pide que de 10000 casos evaluemos del 6 a 8 contengan un error dando como resultado 26.5734% contengan error

5 Interpretación

como conclusion esto nos sirve para tener contemplado un porcentaje de riesgo de error en distintos escenarios dando una valor aleatorio con la distribucion de poisson.

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,.

Mendenhall, William, Robert J. Beaver, and Barbara M. Beaver. 2006. Introducción a La Probabilidad y Estadística. 13a Edición.

Walpole, Ronald E., Raymond H. Myers, and Sharon L. Myers. 2012. Probabilidad y Estadística Para Ingeniería y Ciencias. Novena Edición. México: Pearson.

Walpole, Ronald E., Raymond H. Myers, Sharon L. Myers, and Keying Ye. 2007. Probabilidad y Estadística Para Ingeniería y Ciencias. Octava Edición. México: Pearson Education.