Puntos clave
- λ es una tasa por intervalo, no un conteo bruto. El intervalo debe coincidir con la tasa.
- La media es igual a la varianza. Si la varianza muestral es mucho mayor que la media, el modelo presenta sobredispersión.
- Las tasas escalan de forma lineal con la exposición. Cuatro por hora pasan a ser dos por cada media hora.
- Los conteos de eventos raros convergen a Poisson. Es el límite de una binomial con n grande y p pequeña.
- “Al menos uno” es un complemento: 1 − e^(−λ).
- La agrupación y las tendencias rompen el supuesto de tasa constante, incluso cuando la media parece correcta.
Qué describe el modelo de Poisson
La distribución de Poisson cuenta cuántos eventos ocurren en un intervalo fijo de tiempo, longitud, área o volumen cuando los eventos suceden de forma independiente y a una tasa media constante. Algunos ejemplos son las llamadas que llegan a un servicio de asistencia en una hora, las erratas de una página, los decaimientos radiactivos en un minuto y los defectos a lo largo de un cable.
El modelo necesita cuatro condiciones: el conteo es de eventos discretos, los eventos no ocurren simultáneamente, cada evento es independiente de los demás y la tasa media es constante en todo el intervalo. Describe conteos, no el tiempo de espera entre eventos; eso es la distribución exponencial. Tampoco se aplica cuando los eventos llegan agrupados, como los pedidos realizados durante una oferta relámpago.
La fórmula y sus términos
Para una variable aleatoria de Poisson con tasa λ en un intervalo:
P(X = k) = e^(−λ) × λ^k ÷ k!
Media = λ, Varianza = λ, Desviación estándar = √λ
El término e^(−λ) normaliza las probabilidades para que sumen 1. λ^k ÷ k! pondera los conteos mayores: el numerador crece con k, pero el factorial del denominador acaba dominando, y por eso la distribución tiene una cola a la derecha. La moda está cerca de λ: para λ entera, tanto λ − 1 como λ son las más probables, así que una tasa de 4 hace que 3 y 4 empaten en el pico.
Las probabilidades se calculan para un intervalo definido. Si la tasa es de 4 por hora, entonces λ = 4 para un conteo de una hora, λ = 2 para un conteo de media hora y λ = 0.5 para un conteo de 7.5 minutos. Mezclar una tasa por hora con un intervalo por minuto es el error aritmético más habitual.
Ejemplo resuelto: 4 llamadas por hora
Una línea de soporte recibe un promedio de 4 llamadas por hora. Para exactamente 6 llamadas: e^(−4) = 0.0183156, 4^6 = 4,096 y 6! = 720. Así que P(X = 6) = 0.0183156 × 4,096 ÷ 720 = 0.104196, es decir, 10.42%.
La probabilidad de ninguna llamada es e^(−4) = 0.0183156, o 1.83%. Exactamente 1 llamada es 4 × e^(−4) = 7.33%, y exactamente 2 es 8 × e^(−4) = 14.65%. Las probabilidades suben hasta una meseta en 3 y 4 (19.54% cada una) y después disminuyen, pero la cola nunca llega a cero: exactamente 10 llamadas todavía tienen una probabilidad de 0.53%.
Conteos acumulados y el complemento
“Como máximo 2 llamadas” significa P(0) + P(1) + P(2) = e^(−4) × (1 + 4 + 8) = 0.238103, o 23.81%. “Al menos 1 llamada” es el complemento 1 − P(0) = 1 − 0.0183156 = 0.981684, o 98.17%.
El complemento resulta especialmente útil para preguntas de “al menos uno” con tasas pequeñas. Si un servidor falla en promedio una vez cada 10,000 horas, λ = 0.0001 por hora y la probabilidad de al menos un fallo en una hora es 1 − e^(−0.0001) ≈ 0.0001, esencialmente la propia tasa. Para eventos raros, la probabilidad y el conteo esperado casi coinciden.
Para un rango, resta probabilidades acumuladas. P(2 ≤ X ≤ 5) = P(X ≤ 5) − P(X ≤ 1), lo que evita sumar cuatro términos separados y reduce la deriva por redondeo.
Cambiar el intervalo
Las tasas de Poisson son proporcionales a la exposición. Si llegan llamadas a 4 por hora, el conteo esperado en 30 minutos es λ = 2, y la probabilidad de ninguna llamada es e^(−2) = 13.53%. En 15 minutos λ = 1, así que P(0) = 36.79% y P(3) = e^(−1) ÷ 6 = 6.13%.
Escala la tasa antes de calcular y luego indica el intervalo junto con la respuesta. “La probabilidad de 3 llamadas es 6.13%” es incompleto; “la probabilidad de exactamente 3 llamadas en los próximos 15 minutos es 6.13%” es verificable. La misma lógica se aplica a defectos por metro, accidentes por 1,000 horas-vehículo o partículas por litro.
Media, varianza y sobredispersión
El modelo de Poisson obliga a que la varianza sea igual a la media. Es una afirmación fuerte. Para 4 llamadas por hora, la desviación estándar es √4 = 2, así que los conteos de 2 a 6 son normales y los conteos por debajo de 0 o por encima de 10 son raros.
Los datos de conteo reales suelen mostrar una varianza muy superior a la media. Si el conteo medio es 4 pero la varianza muestral es 9, los datos presentan sobredispersión: algunas horas están ocupadas por motivos que comparten todas las llamadas, como una promoción o una caída del servicio. Un modelo de Poisson producirá entonces intervalos demasiado estrechos. Los modelos cuasi-Poisson y binomial negativo añaden un parámetro de dispersión y son los remedios habituales.
Poisson como límite de la binomial
Cuando n es grande y p es pequeña pero λ = n × p se mantiene moderada, la distribución binomial converge a la de Poisson. Un proceso con 1,000 oportunidades y una probabilidad de 0.3% en cada una tiene λ = 3; la probabilidad binomial de cero eventos es 0.997^1,000 ≈ 0.0496, mientras que el valor de Poisson es e^(−3) ≈ 0.0498.
La aproximación es útil porque sustituye dos parámetros por uno y evita factoriales enormes. Es más débil cuando p no es pequeña o cuando n × p es grande; en esos casos usa la binomial directamente. El límite de Poisson también explica por qué el modelo aparece siempre que hay muchas oportunidades para un evento raro, desde los siniestros de seguros hasta los errores de introducción de datos.
Tiempos de espera y modelos relacionados
Si los conteos siguen un proceso de Poisson con tasa λ, el tiempo entre eventos sigue una distribución exponencial con media 1 ÷ λ, y el tiempo hasta el r-ésimo evento sigue una distribución gamma. Para 4 llamadas por hora, la separación media entre llamadas es de 15 minutos, y la probabilidad de que la siguiente llamada llegue en 5 minutos es 1 − e^(−4 × 5/60) = 28.3%.
Cuando la tasa varía aleatoriamente, una mezcla gamma de conteos de Poisson produce la distribución binomial negativa, y por eso ese modelo maneja la sobredispersión. Cuando los eventos son contagiosos —una llegada hace más probable otra—, el supuesto de Poisson falla y puede hacer falta un modelo autoexcitado o de Hawkes.
Errores frecuentes
- Usar un conteo en lugar de una tasa para λ. λ debe ser el conteo esperado en el intervalo por el que preguntas.
- No hacer coincidir la tasa y el intervalo. Una tasa por hora con una pregunta por minuto da una respuesta desviada en un factor de 60.
- Sumar tasas de intervalos solapados. Las tasas solo se suman en segmentos independientes y no solapados; promediarlas no es lo mismo que agrupar conteos.
- Suponer que la varianza es igual a la media en datos reales. Revisa la varianza muestral antes de confiar en los intervalos de Poisson.
- Olvidar el denominador k!. λ^k por sí solo no es una probabilidad.
- Aplicar Poisson a eventos agrupados. Las llegadas durante una oferta o una caída del servicio no son independientes.
Advertencias prácticas
La tasa constante es una idealización. El volumen de llamadas tiene picos a ciertas horas, los accidentes aumentan con el mal tiempo y las peticiones a un sitio web se disparan durante los eventos. Si la tasa cambia dentro del intervalo, acorta el intervalo hasta que la tasa sea más o menos constante o modela la tasa en función del tiempo.
La inflación de ceros es otro modo de fallo: hay más ceros de los que predice un modelo de Poisson, a menudo porque algunas unidades no pueden experimentar el evento en absoluto. A la inversa, un tope rígido en los conteos —una cola que solo admite 20 personas— trunca la distribución. Revisa la frecuencia observada de ceros y el conteo máximo frente al modelo antes de citar probabilidades.
Preguntas frecuentes
¿Cuál es la diferencia entre Poisson y binomial?
La binomial cuenta éxitos en un número fijo de ensayos con una probabilidad de éxito fija. Poisson cuenta eventos en un intervalo con una tasa fija, que es el límite de la binomial cuando los ensayos son numerosos y la probabilidad por ensayo es diminuta.
¿Puede λ ser mayor que 1?
Sí, y normalmente lo es. λ es un conteo esperado, así que una tasa de 4 por hora da λ = 4. La restricción λ ≤ 1 solo se aplica a probabilidades de un único evento en un intervalo muy corto.
¿Por qué la distribución de Poisson tiene un solo parámetro?
Porque el modelo ata la media y la varianza entre sí. Una sola tasa λ fija ambas, lo que hace el modelo sencillo pero también fácil de rechazar cuando los datos reales presentan sobredispersión.
¿Qué significa que la varianza sea mayor que la media?
Que los datos presentan sobredispersión respecto a Poisson. Hay agrupamiento, heterogeneidad no observada o una tasa variable; usa un modelo binomial negativo o cuasi-Poisson en lugar de confiar en los errores estándar de Poisson.
¿Cómo hallo la probabilidad de al menos un evento?
Usa P(X ≥ 1) = 1 − P(X = 0) = 1 − e^(−λ). Para λ = 4 esto es 98.17%.
¿La distribución de Poisson es simétrica?
No. Está sesgada a la derecha, sobre todo con λ pequeña. A medida que λ crece, la forma se vuelve más simétrica y una aproximación normal con media y varianza λ resulta razonable.


