DISTRIBUCION DE POISSON.

YURYS CAMARGO LAGUNA

HERNANDO VEGA COGOLLO

UNIVERSIDAD DE CARTAGENA

FACULTAD DE CIENCIAS ECONÓMICAS

PROGRAMA DE ADMINISTRACIÓN DE EMPRESAS

CARTAGENA D. T. Y C.

2014

1
 1. INTRODUCCION

En la estadística la distribución de Poisson representa una distribución de probabilidad

discreta que expresa, a partir de una frecuencia de ocurrencia media, esto basado en la
probabilidad de que ocurra un determinado número de eventos durante cierto período de
tiempo. Por ende, se especializa en la probabilidad de ocurrencia de sucesos con
probabilidades muy pequeñas, o sucesos "raros".

Este método de distribución de Poisson es de gran ayuda para la consecución y en especial

de estudio de las muestras tomadas para analizar la probabilidad de algún evento y por ende
tomar las decisiones correctas.

Este aporte es pertinente ya que por medio de esta herramienta estadística las muestras nos
ilustran el paso a seguir en la evaluación de los datos tomados y se acercan a lo real.

2
 2. OBJETIVOS.

2.1. Objetivo general.

Indagar el aporte de la distribución de Poisson en estadísticas y su aporte a la

administración de empresas.

2.2. Objetivos específicos.

 Analizar e Identificar las propiedades de una distribución Poisson que se da en la

estadística.

 determinar como la distribución de Poisson aporta al ejercicio del administrador de

empresa.

3
 Tabla de contenido

1. Introducción
2. Objetivos
2.1 general
2.2 específicos
3. distribución de Poisson
3.1 definición
3.2 características
3.3 formulas y aplicaciones
3.4 importancia en la administración de empresas
3.5 ejercicios y ejemplos
4. conclusiones
5. bibliografías

3. DISTRIBUCION DE POISSON

4
3.1 DEFINICION

En teoría de probabilidad y estadística, la distribución de Poisson es una distribución de probabilidad

discreta que expresa, a partir de una frecuencia de ocurrencia media, la probabilidad de que ocurra
un determinado número de eventos durante cierto período de tiempo. Concretamente, se especializa
en la probabilidad de ocurrencia de sucesos con probabilidades muy pequeñas, o sucesos "raros".

Además, la distribución de Poisson es una de las distribuciones de probabilidad discreta. Esta

distribución se utiliza para calcular las posibilidades de un evento con la tasa media dada de valor
(λ). Una variable aleatoria de Poisson (x) se refiere al número de éxitos en un experimento de
Poisson.

3.2 CARACTERISTICAS

 Se observa la realización de hechos de cierto tipo durante un cierto periodo de tiempo o a lo

largo de un espacio de observación.

 Los hechos a observar tienen naturaleza aleatoria; pueden producirse o no de una manera
no determinística.

 La probabilidad de que se produzcan un número x de éxitos en un intervalo de amplitud t no

depende del origen del intervalo (Aunque, sí de su amplitud).

 La probabilidad de que ocurra un hecho en un intervalo infinitésimo es prácticamente

proporcional a la amplitud del intervalo.

 La probabilidad de que se produzcan 2 o más hechos en un intervalo infinitésimo es un

infinitésimo de orden superior a dos.

 En consecuencia, en un intervalo infinitésimo podrán producirse O ó 1 hecho pero nunca

más de uno.

 Si en estas circunstancias aleatorizamos de forma que la variable aleatoria X signifique o

designe el "número de hechos que se producen en un intervalo de tiempo o de espacio", la variable
X se distribuye con una distribución de parámetro. Así:

3.3 FORMULAS Y APLICACIONES

La función de masa o probabilidad de la distribución de Poisson es:

3.4 IMPORTANCIA EN LA ADMINISTRACION DE EMPRESAS

5
Para el administrador de empresa la distribución de Poisson es una herramienta que genera un
margen de estudio para los datos estadísticos y las tomas de muestras, para analizar con claridad la
probabilidad de ocurrencia de sucesos con probabilidades muy pequeñas en un intervalo
determinado.

Se utiliza para determinar la probabilidad de un número designado de éxitos cuando los eventos
ocurren en un espectro continuo de tiempo y espacio. Tal proceso se denomina Proceso de Poisson,
es semejante al proceso de Bernoulli excepto que los eventos ocurren en un espectro continuo en
vez de ocurrir en ensayos u observaciones fijas. Por ejemplo la entrada de materiales a una celda de
producción, la llegada de clientes a un servidor cualquiera, etc.

3.5 EJERCICIOS Y EJEMPLOS

1. Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las probabilidades de
que reciba, a) cuatro cheques sin fondo en un día dado, b) 10 cheques sin fondos en cualquiera de
dos días consecutivos?

Solución:

a) x = variable que nos define el número de cheques sin fondo que llegan al banco en un día
cualquiera = 0, 1, 2, 3,....., etc., etc.

l = 6 cheques sin fondo por día

e = 2.718

b) x= variable que nos define el número de cheques sin fondo que llegan al banco en dos días
consecutivos = 0, 1, 2, 3, ......, etc., etc.

l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos días consecutivos

Nota: l siempre debe de estar en función de x siempre o dicho de otra forma, debe “hablar” de lo
mismo que x.

2. En la inspección de hojalata producida por un proceso electrolítico continuo, se identifican 0.2

imperfecciones en promedio por minuto. Determine las probabilidades de identificar a) una
imperfección en 3 minutos, b) al menos dos imperfecciones en 5 minutos, c) cuando más una
imperfección en 15 minutos.

Solución:

6
a) x = variable que nos define el número de imperfecciones en la hojalata por cada 3 minutos = 0,
1, 2, 3,...., etc., etc.

 = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la hojalata

b) x = variable que nos define el número de imperfecciones en la hojalata por cada 5 minutos = 0,
1, 2, 3, ...., etc., etc.
 = 0.2 x 5 =1 imperfección en promedio por cada 5 minutos en la hojalata.

=1-(0.367918+0.367918) = 0.26416

c) x = variable que nos define el número de imperfecciones en la hojalata por cada 15 minutos =
0, 1, 2, 3, ....., etc., etc.
= 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la
hojalata.

= 0.0498026 + 0.149408 = 0.1992106.

3. La probabilidad de tener un accidente de tráfico es de 0,02 cada vez que se viaja, si se realizan
300 viajes, ¿cuál es la probabilidad de tener 3 accidentes?

Como la probabilidad " p " es menor que 0,1, y el producto " n * p " es menor que 10, entonces
aplicamos el modelo de distribución de Poisson.

Luego,

P (x = 3) = 0,0892

Por lo tanto, la probabilidad de tener 3 accidentes de tráfico en 300 viajes es del 8,9%.
4. CONCLUSIONES

7
Mediante este trabajo, se concluye que la distribución de Poisson es una herramienta
importante para la toma de decisiones estadísticas y que es el proceso donde los
administradores revisan información relacionada con datos anteriores con el fin de dar
nuevas alternativas para mejorar el rendimiento de las empresas.

Los administradores de hoy día pueden ayudar a las compañías a realizar toma de
decisiones mejores y más confiables para estar a la vanguardia del mercado y sus
competencias.

El administrador de empresas tiene en sus manos la decisión de gestionar procesos de

mejora continua para conducir a una estandarización.

Estos no son procesos de moda ya se han vuelto una obligación para los diferentes
departamentos de una compañía para una muy buena toma de decisiones en aras de estar
muy bien posicionados en el mercado.

5. BIBLIOGRAFÍAS

8
 http://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Poisson

 http://www.uv.es/ceaces/base/modelos%20de%20probabilidad/poisson.htm

 http://www.itch.edu.mx/academic/industrial/sabaticorita/_private/05Distr
%20Poisson.htm

 http://www.aulafacil.com/CursoEstadistica/Lecc-29-est.htm